《European Journal of Radiology Open》：Agreement and workflow efficiency of AI-based coronary artery calcification quantification in lung cancer screening: Comparison with semi-automated and visual assessment
编辑推荐：
目的：评估在非心电门控低剂量计算机断层扫描（LDCT）肺癌筛查中，基于全自动化人工智能（AI）的冠状动脉钙化（CAC）定量与半自动化（SA）及视觉评估相比的协议一致性及对工作流程的影响。材料与方法：在这项回顾性单中心研究中，纳入了323名接受肺癌筛查LDCT检
目的：评估在非心电门控低剂量计算机断层扫描（LDCT）肺癌筛查中，基于全自动化人工智能（AI）的冠状动脉钙化（CAC）定量与半自动化（SA）及视觉评估相比的协议一致性及对工作流程的影响。材料与方法：在这项回顾性单中心研究中，纳入了323名接受肺癌筛查LDCT检查的参与者（55.7%为男性；中位年龄61岁；范围52–79岁）。研究人员使用SA和基于AI的方法进行Agatston评分量化。两名阅片者进行视觉分级。研究人员采用组内相关系数（ICC）、Spearman相关性及Bland-Altman分析评估SA与AI之间的一致性。使用加权Cohen’s κ及诊断指标评估分类一致性（CAD-RADS 2.0斑块负荷）及CAC检出率。比较了CAC处理时间。结果：基于AI与半自动化SA的Agatston评分显示出极佳的一致性（ICC 0.96）和强相关性（Spearman r = 0.97），存在较小偏倚（21.5）及适中的一致性界限。AI在排除CAC方面表现出高诊断性能（敏感度0.97，95%-CI, 0.92–0.99；特异度0.91，95%-CI, 0.86–0.94）。AI与SA之间的分类一致性几乎完美（κ 0.92），且高于SA与视觉评估之间的一致性（κ 0.84和0.68）。SA评分所需的处理时间（102.0 ± 95.7 s）显著长于视觉评估（15.5 ± 6.0 s和24.2 ± 7.4 s；p < 0.001）。结论：在非心电门控LDCT上，基于AI的CAC定量与半自动化评分相比具有极佳的一致性，其分类一致性高于视觉评估且无需手动评分。基于AI的方法可在不增加阅片时间的情况下，促进肺癌筛查中标准化且可扩展的CAC报告。
该研究发表于《European Journal of Radiology Open》。研究背景在于，随着肺癌筛查使用低剂量计算机断层扫描（LDCT）在多个国家实施，研究发现肺癌危险因素与心血管疾病重叠，冠状动脉钙化（CAC）作为频繁的临床相关合并症可在筛查胸部CT中被检出，当前指南推荐常规报告CAC以评估不良心血管结局及全因死亡率风险。然而，目前评估CAC的方法存在明显局限：作为参考标准的心电门控CT在非门控胸部CT上存在技术限制；半自动化（SA）Agatston评分虽定量准确但耗时且需人工交互，难以在高通量筛查中常规应用；视觉评估虽快速易整合至工作流程，但受观察者间变异性影响，可重复性差。近期基于深度学习的人工智能（AI）实现了非心电门控胸部CT上的全自动CAC定量，但其与现有SA及视觉方法的临床性能对比及对工作流程效率的影响在肺癌筛查背景下尚不完全明确。为此，研究人员开展了一项回顾性单中心研究，旨在验证基于AI的CAC定量方法在非心电门控LDCT上与SA Agatston评分（作为参考标准）的一致性，并评估其相对于视觉评分的效率增益与协议一致性。研究最终纳入323例参与者，得出结论：基于AI的CAC定量与SA评分具有极佳一致性及更高分类一致性，且无需手动操作，可显著提升工作流程效率，有助于实现肺癌筛查中标准化、可扩展的CAC报告，增强偶发心血管发现的临床效用。
研究人员为开展研究采用的关键技术方法包括：基于回顾性单中心设计，样本队列来源于某机构正在进行肺癌筛查试点研究中2018年11月至2025年4月期间获取的323例连续非心电门控非增强LDCT检查（排除既往冠脉介入及处理失败病例），扫描设备为Siemens三种型号扫描仪并采用标准化成像协议（管电压100或120 kVp、锡过滤、2 mm层厚、1 mm间距中平滑软组织核重建）；半自动化（SA）CAC定量由具备3年心脏影像经验的放射科住院医师在8年资历认证放射科医师监督下使用商用心脏分析软件syngo.via进行自动检测及人工验证校正；基于AI的CAC定量使用商用FDA许可及CE认证软件ClearRead CT CAC（release 1.2.1.90，基于U-Net类编码器-解码器架构深度学习模型训练于约2000例异质胸部CT）全自动输出Agatston评分及DICOM报告至PACS；视觉评估由两名具备3年和7年心脏影像经验的阅片者采用Shemesh等描述的序数评分法盲法独立进行；统计分析法采用Python SciPy库，通过组内相关系数（ICC）、Spearman相关、Bland-Altman分析（Agatston评分经log(score + 1)转换）、加权Cohen’s κ及混淆矩阵诊断指标评估一致性与性能，采用Shapiro-Wilk检验正态性及配对t检验或Wilcoxon符号秩检验比较处理时间。
3. Results
3.1. AI-based vs. semi-automated agatston-scoring
研究人员对比发现，半自动化（SA）与基于AI的Agatston评分均值分别为116.6 ± 289.5和138.1 ± 343.9（p < 0.001），分布相似。Bland-Altman分析显示平均差异为+21.49，95%一致性界限为?156.54至199.53，对数转换后无相关比例偏倚但低CAC值变异性增加。Spearman相关性极强（r = 0.97，p < 0.001），组内相关系数（ICC）达0.96（95% CI, 0.95–0.97），表明两者连续性评分一致性极佳。8例（2.5%）超出上限的偏差均源于AI高估，主要因误纳主动脉瓣膜/根部及二尖瓣环等非冠状钙化，其中仅3例导致AI向上重分类斑块负荷类别。
3.2. Performance of AI-based exclusion of coronary calcium
以SA定量为标准，AI排除CAC的诊断性能为高：敏感度0.97（95% CI, 0.92–0.99），特异度0.91（95% CI, 0.86–0.94），阳性预测值0.86（95% CI, 0.79–0.91），阴性预测值0.98（95% CI, 0.95–0.99），准确度0.93（95% CI, 0.90–0.95）。表明算法可高置信度识别无CAC的检查，支持其在大数据集工作流程优化或队列预选中的作用。
3.3. Comparison of AI-based and visual approaches with semi-automated assessment as reference
映射至CAD-RADS? 2.0斑块负荷类别（0, 1–99, 100–299, ≥300）时，AI与SA在280/323例（86.7%）中分类一致，43例不一致中41例（95.3%）为相邻类别，最常见于类别0与1间（23例）。AI与SA分类总体几乎完全一致（加权κ = 0.92；95% CI, 0.89–0.95），且所有SA判为类别3的33例AI亦判为类别3。SA与视觉评估一致性较低但仍强（阅片者1加权κ = 0.84；阅片者2加权κ = 0.68），阅片者间几乎完全一致（加权κ = 0.85）。
3.4. CAC assessment times
半自动化（SA）评分平均处理时间为102.0 ± 95.7 s，视觉评估阅片者1为15.5 ± 6.0 s、阅片者2为24.2 ± 7.4 s，SA与视觉评分时间差异具统计学显著性（均p < 0.001），SA变异性大偶见耗时延长，视觉评估时长分布较窄。基于AI的CAC定量自动后台执行，无需主动阅片者交互及手动处理时间。
在讨论部分，研究人员总结到，本研究在非心电门控LDCT肺癌筛查队列中评估了全自动AI基CAC定量，主要有三发现：其一，AI基CAC定量与视为本研究参考标准的SA Agatston评分在连续值与分类斑块负荷上均具极佳一致性；其二，AI基分类与参考标准的一致性高于视觉评估；其三，全自动分析通过消除手动交互需求实现显著工作流程效率增益。尽管原始Bland-Altman界限表明个体检查层面连续分值不可互换，但肺癌筛查中CAC评估主要用于识别分类斑块负荷而非复现完全相同数值，故几乎完美分类一致性（加权κ = 0.92）具重要临床意义。不一致多发生于类别边界（尤无CAC与低负荷间），大型数值差异少见且仅为AI高估（多因误纳主动脉瓣膜/根部及二尖瓣环钙化），多数未改变斑块负荷分类仅3例向上重分类，无SA类别3被低估。AI基方法高诊断性能（排除CAC特异度0.97、阴性预测值0.98）支持其作为大规模筛查人群自动工作流程优化及队列预选分诊工具。三种扫描仪型号、两管电压及不同重建核间极佳一致性表明算法对肺癌筛查常规采集变异性具鲁棒性。工作流程上SA耗时需人工交互、视觉快但依赖阅片者，AI自动后台生成Agatston评分及标准化类别至PACS无需手动分割校正，虽偶发非冠状钙化误分类可能需有限人工核查，但解决高通量筛查常规CAC定量障碍。本研究直接比较自动化、半自动化及视觉CAC评估并兼顾工作流程，此前研究多聚焦技术验证或与门控CT对比。局限在于以非心电门控LDCT上SA Agatston评分为内检查参考而非金标准专用心电门控心脏CT，未确立相对门控CT绝对准确度；单中心单商用AI工具限制推广性；排除处理失败例未反映全端到端适用性；缺乏结局数据无法评估AI衍生CAC测量预后意义。结论翻译为：在非心电门控低剂量计算机断层扫描（LDCT）上，基于全自动化人工智能（AI）的冠状动脉钙化（CAC）定量与半自动化Agatston评分相比展现出极佳的一致性，并提供准确的斑块负荷分类，同时减少了对专门手动评分的需求。通过将高诊断性能与潜在的效率增益相结合，基于AI的方法可助力实现肺癌筛查中标准化且可扩展的CAC报告，从而增强偶发心血管发现的临床效用。
需要我帮你把这篇论文解读里的核心数据（如ICC 0.96、处理时间对比等）整理成一段简洁的要点摘要吗？
