基于人工智能的冠状动脉CT血管造影狭窄定量与侵入性定量冠状动脉造影的比较
该研究为回顾性多中心事后分析,纳入120例来自三项临床试验、有稳定冠心病症状并接受CCTA及侵入性QCA的患者,用基于AI的冠状动脉狭窄定量(AI-CSQ)软件评估狭窄严重程度并与QCA盲法比较。结果显示,在血管水平和患者水平,AI-CSQ对直径狭窄≥50%和≥70%均表现出高诊断性能,AUC分别为0.92和0.93(血管水平),以及0.93和0.88(患者水平),结论认为AI-CSQ与QCA相比具有高诊断性能。
要点
- AI-CSQ在血管水平检测直径狭窄≥50%的敏感度为80%、特异度为88%、AUC为0.92。
- AI-CSQ在患者水平检测直径狭窄≥50%的AUC为0.93,≥70%的AUC为0.88。
- AI-CSQ与QCA在直径狭窄百分比上一致性良好,患者水平平均差异为−2.45%。
核心结论
- AI-CSQ在CCTA上与QCA参考标准相比,在患者水平和血管水平均表现出高诊断性能,对狭窄检测具有高敏感度。
研究设计与样本
- 回顾性、多中心事后分析,纳入来自AFFECTS、P3、REFINE三项大型临床研究的120例参与者(平均年龄59.7岁±10.8,男性73例[60.8%]、女性47例[39.2%])。
- 所有参与者均有提示稳定冠心病的症状,并接受了CCTA、CT-FFR以及侵入性冠状动脉造影和QCA。
- CCTA使用GE HealthCare、Siemens、Toshiba或Philips扫描仪进行心电图门控增强扫描,并根据体重指数调整管电流、管电压和碘对比剂用量。
- 参考标准为盲法核心实验室(Cardiovascular Research Foundation)使用QAngio XA 2D软件进行的QCA,分析参考直径≥2.0 mm且狭窄≥30%的冠状动脉节段。
- AI-CSQ基于U-Net卷积神经网络提取血管中心线和管腔边界,并经过人工质量审核生成患者特异性三维动脉管腔模型。
诊断标准与关键数值
- 血管水平(MLD位点):AI-CSQ对直径狭窄≥50%的敏感度80%、特异度88%、准确率86%、阳性预测值65%、阴性预测值94%;对直径狭窄≥70%的敏感度78%、特异度92%、准确率91%、阳性预测值47%、阴性预测值98%。
- 血管水平AUC:预测直径狭窄≥50%为0.92(95%CI:0.88,0.95;P<.001),预测直径狭窄≥70%为0.93(95%CI:0.89,0.97;P<.001)。
- 患者水平(MLD位点):AI-CSQ对直径狭窄≥50%的敏感度82%(46/56)、特异度84%(54/64)、准确率83%(100/120)、阳性预测值82%(46/56)、阴性预测值84%(54/64);对直径狭窄≥70%的敏感度75%(18/24)、特异度85%(82/96)、准确率83%(100/120)、阳性预测值56%(18/32)、阴性预测值93%(82/88)。
- 患者水平AUC:预测直径狭窄≥50%为0.93(95%CI:0.88,0.97;P<.001),预测直径狭窄≥70%为0.88(95%CI:0.81,0.94;P<.001)。
- 全QCA节段分析:患者水平对直径狭窄≥50%的敏感度95%(57/60)、特异度57%(34/60)、准确率76%(91/120)、阳性预测值69%(57/83)、阴性预测值92%(34/37);血管水平敏感度90%(73/81)、特异度76%(196/257)、准确率80%(269/338)、阳性预测值54%(73/134)、阴性预测值96%(196/204)。
临床应用与阅片要点
- AI-CSQ工具在CCTA上可自动识别直径大于1.8 mm血管的最小管腔直径和直径狭窄程度,并在三维模型上标注狭窄分级。
- AI-CSQ与QCA在直径狭窄百分比上一致性良好,患者水平平均差异为−2.45%(95%CI:−5.38%,0.48%),血管水平平均差异为−0.61%(95%CI:−2.31%,1.09%)。
- 在AI-CSQ与QCA狭窄差异≥30%的36条血管中,AI-CSQ低估14条(39%)、高估22条(61%);不一致原因包括CT图像质量差21/36(58%)、AI-CSQ分割错误6/36(17%)和其他因素9/36(25%)。
- 图像质量差导致的不一致中多数为高估(16/21,76%),分割错误导致的不一致中多数为低估(5/6,83%)。
- 作者认为AI-CSQ工具可能有助于阅片者筛查解剖性狭窄,并可能支持更高效、一致和准确的CCTA判读。
局限性
- 原文未报告局限性。
全文中译14 节 · 点击展开
摘要
基于人工智能的冠状动脉CT血管造影评估能够准确识别冠状动脉狭窄严重程度,与盲法核心实验室判读的定量冠状动脉造影结果高度一致。
要点
■ 以定量冠状动脉造影为参考标准,基于人工智能(AI)的冠状动脉狭窄定量工具在50%和70%狭窄阈值下均显示出高诊断性能。
■ 该AI工具对跨血管节段的解剖性狭窄表现出高鉴别能力,在50%和70%阈值下受试者工作特征曲线下面积值分别为0.92和0.93。
引言
冠状动脉CT血管造影(CCTA)是诊断和表征冠状动脉疾病(CAD)的成熟无创技术(1)。准确判读冠状动脉狭窄严重程度对于指导临床决策和风险分层至关重要(2–4)。既往研究表明,与定量冠状动脉造影(QCA)相比,CCTA在冠状动脉狭窄评估中具有高诊断性能(5,6)。然而,经验较少的判读者使用CCTA的诊断性能准确性较低(7,8)。
开发用于解剖性狭窄定量的机器学习方法具有很大潜力,有助于提高判读效率和判读者信心。因此,我们旨在评估一种新的基于人工智能(AI)的狭窄定量软件服务相较于有创QCA参考标准的性能。
材料与方法
研究设计与样本
我们进行了一项回顾性、多中心的事后亚组研究,纳入来自大型临床研究的三个队列。所有临床研究均获当地伦理委员会批准,所有参与者在需要时均提供了书面知情同意。本研究由HeartFlow支持,该公司提供了基于AI的冠状动脉狭窄定量(AI-CSQ)软件(RoadMap;HeartFlow)并进行了相应分析。HeartFlow的员工和顾问对纳入数据、可能构成利益冲突的信息或统计分析均无控制权。资深作者对数据具有不受限制的访问权限。
研究样本的选取旨在提供全范围的狭窄严重程度,其解剖学狭窄负荷与临床实践中提交用于CT血流储备分数(CT-FFR)的CCTA研究以及既往准确性研究(6,9,10)中所观察到的狭窄负荷相似。三个数据集(AFFECTS试验,即评估血流储备分数CT与单光子发射计算机断层扫描在诊断血流动力学显著冠状动脉疾病中的对比研究,ClinicalTrials.gov编号NCT02973126 [11,12];P3研究,即精准经皮冠状动脉介入治疗计划研究,ClinicalTrials.gov编号NCT03782688 [13,14];以及REFINE研究,即FFRCT与mFFR及cCTA在上市后环境中对比的回顾性研究,未发表数据)按狭窄程度大于50%和50%及以下进行分类。我们识别出343例狭窄大于50%的患者和137例狭窄50%及以下的患者。计算样本量为114例患者,以94%置信效能评估狭窄大于50%阈值下80%的敏感性、特异性和准确性。最终分析纳入60例狭窄大于50%的参与者和60例狭窄50%及以下的参与者(图1)。
所有参与者均有提示稳定性CAD的症状,并接受了CCTA后继以CT-FFR以及有创冠状动脉造影后继以QCA检查。CCTA数据集为回顾性收集,经匿名化处理,并以医学数字成像和通信格式导出以供进一步冠状动脉评估。CCTA上冠状动脉狭窄的检测和分级使用AI-CSQ软件服务完成。
CCTA方案
参与者使用来自GE HealthCare、Siemens、Toshiba或Philips的扫描仪接受了对比增强心电门控CCTA(表S1)。管电流、管电压和碘对比剂体积根据体重指数进行调整。必要时给予β受体阻滞剂,目标心率为每分钟60次以下。所有参与者在扫描前给予舌下硝酸酯类药物。狭窄严重程度按每支血管和每位患者为基础进行分级。
有创及定量冠状动脉造影
侵入性冠状动脉造影按照临床适应证和影像学标准进行。所有冠状动脉均采用冠状动脉疾病报告与数据系统2.0版(CAD-RADS 2.0)分类进行定义(15)。QCA由设盲的专门核心实验室(心血管研究基金会)使用QAngio XA 2D(版本7.3.92.0;Medis Medical Imaging)软件完成。对每支冠状动脉自动选取舒张末期帧,并在两个正交体位下评估血管。冠状动脉狭窄评估采用图像质量最佳的正交体位以准确评估病变。分析的冠状动脉节段包括所有参考直径≥2.0 mm且狭窄≥30%的节段。参考血管直径(RVD)和最小管腔直径(MLD)由计算机软件自动计算。直径狭窄百分比(DS)亦由软件按以下公式计算:%DS = (1 − MLD/RVD)·100。
AI-CSQ方案
AI-CSQ方案总结于图2。AI-CSQ依赖AI算法和人工质量审核流程生成患者特异性动脉管腔三维(3D)模型。该分析基于界定冠状动脉血管边界,随后提取用于执行CSQ的冠状动脉3D模型。AI算法提取主血管及侧支的中心线,同时由经过培训的CT分析人员审核病例以确保纳入所有血管。血管中心线和管腔边界的提取分别由基于U-Net的卷积神经网络模型完成,该模型分别在950例CCTA病例(约1000万个横断面图像样本)和6694例CCTA病例(约6700万个横断面图像样本)的专有数据库上训练。外壁边界采用基于U-Net的卷积神经网络模型提取,该模型在2618例CCTA病例(约2600万个横断面图像样本)的专有数据库上训练。AI-CSQ技术还包括对3D理想化管腔模型进行数值优化,该模型可视为对原生病变冠状动脉管腔进行插值的健康参考模型,从而允许沿中心线更线性地定义参考血管尺寸,包括穿过重度病变节段和分叉病变。最终生成3D冠状动脉模型,可在冠状动脉的每一点进行分析,以提供任意特定位置的狭窄程度。对于冠状动脉狭窄评估,AI-CSQ软件识别直径大于1.8 mm血管中的MLD和DS。狭窄程度还在整个QCA定义的节段中进行评估,该节段可涵盖单个QCA节段内存在多处狭窄的弥漫性病变,而不仅仅是在被确定为精确标记MLD的位置。狭窄定义为0%–29%、30%–49%、50%–69%、70%–99%或完全闭塞。算法、代码、脚本和数据为供应商专有,按照其他近期开发的基于AI的斑块工具的做法不公开共享。
QCA与AI-CSQ比较
在QCA定义的MLD处以及完整QCA定义节段内AI-CSQ定义的MLD处,对QCA与AI-CSQ软件进行了盲法比较。分析采用50%或70%的阻塞性病变截断值。AI-CSQ工具的性能按血管和按患者进行评估。
统计分析
连续变量通过报告均值±标准差或中位数(括号内为IQR)进行汇总。分类变量以频数(括号内为百分比)表示。冠状动脉狭窄评估的诊断准确性通过计算敏感度、特异度、阴性预测值(NPV)、阳性预测值(PPV)和诊断准确性来评估,以QCA作为参考标准,在按患者和按血管基础上判定50%或以上或70%或以上狭窄。采用受试者工作特征曲线下面积(AUC)评估按患者和按血管基础上50%或以上或70%或以上DS的诊断性能,并计算95%CI。这些AUC的显著性水平针对AI-CSQ与QCA之间无优于随机关系的零假设(AUC=0.5)进行检验。P值小于.05被认为具有统计学显著性。计算Pearson相关系数以比较按患者和按血管基础上的狭窄严重程度连续测量值。采用Bland-Altman分析评估AI-CSQ与QCA之间的一致性,分别在按患者和按血管基础上进行。对于所有按血管分析,同一患者的多支血管被视为独立。对于按血管和按患者分析,若存在多处病变,则采用血管或患者内直径狭窄最严重的病变(由核心实验室QCA定义)。分析使用SAS软件9.4版(SAS Institute)进行。
结果
参与者特征
共有120名参与者(平均年龄59.7岁±10.8;男性73名[60.8%],女性47名[39.2%])纳入分析。参与者的人口学特征和基线特征列于表1。所有参与者均患有经定量冠状动脉造影(QCA)定义的冠心病(CAD)。60名参与者(50%)观察到至少一处50%或以上的冠状动脉狭窄,其中40名(66.7%)为单支血管病变,18名(30%)为双支血管病变,2名(3.3%)为三支血管病变。27名参与者(22.5%)观察到至少一处70%或以上的狭窄,其中1名存在冠状动脉完全闭塞(表2)。大多数参与者(77.5%)至少有一处病变被认为具有功能显著性(CT-FFR ≤ 0.80),单支、双支和三支血管病变的分布相似(表3)。由QCA或人工智能冠状动脉狭窄量化(AI-CSQ)定义的50%或以上狭窄经常具有功能显著性(QCA ≥ 50%的60例中54例[90%]CT-FFR ≤ 0.80,AI-CSQ ≥ 50%的83例中69例[83.1%]CT-FFR ≤ 0.80)。钙化评分中位数为114 Agatston单位(IQR,0–450)。表3还总结了通过冠状动脉钙化评分评估的冠状动脉粥样硬化负荷,按严重程度分层(Agatston评分< 100、100–399、400–999和≥ 1000)。
诊断准确性和性能
最小管腔直径(MLD)部位
AI-CSQ工具在每位患者基础上检测直径狭窄(DS)50%或以上的每患者诊断灵敏度、特异度、准确率、阳性预测值(PPV)和阴性预测值(NPV)分别为82%(46/56)、84%(54/64)、83%(100/120)、82%(46/56)和84%(54/64);对于DS 70%或以上分别为75%(18/24)、85%(82/96)、83%(100/120)、56%(18/32)和93%(82/88)(表4)。在每血管基础上进行分析时也发现了相似的结果(表4)。在每患者和每血管基础上检测50%或以上DS病变的曲线下面积(AUC)分别为0.93(95% CI:0.88,0.97;P < .001)和0.92(95% CI:0.88,0.95;P < .001)。对于DS 70%或以上,AUC分别为0.88(95% CI:0.81,0.94;P < .001)和0.93(95% CI:0.89,0.97;P < .001)(图2、3)。QCA与AI-CSQ在MLD方面的相关系数在每患者和每血管分析中分别为0.79(95% CI:0.71,0.85)和0.75(95% CI:0.70,0.80)(两者P < .001)(图S1)。AI-CSQ与QCA在每患者和每血管分析中MLD 50%或以上和70%或以上的关系见图S2。最后,QCA与AI-CSQ工具在每患者和每血管分析中DS的一致性良好,平均差异分别为−2.45%(95% CI:−5.38%,0.48%)和−0.61%(95% CI:−2.31%,1.09%),表明存在小的正向偏倚(图4)。QCA与AI-CSQ之间一致性的Lin一致性相关系数在每患者基础上为0.762(95% CI:0.676,0.828),在每血管基础上为0.731(95% CI:0.677,0.777)。
完整QCA节段
在每例患者基础上,AI-CSQ工具在检测50%或以上狭窄病变时的敏感度为95%(57/60)、特异度为57%(34/60)、准确度为76%(91/120)、PPV为69%(57/83)、NPV为92%(34/37)。在每支血管基础上,敏感度为90%(73/81)、特异度为76%(196/257)、准确度为80%(269/338)、PPV为54%(73/134)、NPV为96%(196/204)(表S2)。使用70%狭窄截断值时,每例患者敏感度为85%(23/27)、特异度为72%(67/93)、准确度为75%(90/120)、PPV为47%(23/49)、NPV为94%(67/71)。在每支血管基础上,敏感度为81%(26/32)、特异度为87%(267/306)、准确度为87%(293/338)、PPV为40%(26/65)、NPV为98%(267/273)(表S2)。在50%或以上狭窄截断值时,每例患者和每支血管分析的AUC值分别为0.86(95% CI:0.79,0.92;P < .001)和0.88(95% CI:0.84,0.92;P < .001);在70%或以上狭窄截断值时分别为0.83(95% CI:0.76,0.89;P < .001)和0.90(95% CI:0.85,0.94;P < .001)(图S3)。
不一致血管
在333支血管中,有36支(10.8%)的AI-CSQ工具与QCA之间的狭窄程度差异至少为30%;在QCA定义的50%或以上狭窄的74支血管中,有11支(14.9%)发现30%或以上的差异;在AI-CSQ定义的50%或以上狭窄的91支血管中,有18支(19.8%)发现30%或以上的差异。按狭窄程度分层的不一致详情列于表5。
当与QCA参考标准不一致时,AI-CSQ对管腔狭窄既表现出低估也表现出高估。36支不一致血管中有14支(39%)为低估,22支(61%)为高估。对不一致的原因进行了评估并分为三组:21/36支(58%)血管为CT图像质量差,6/36支(17%)血管为AI-CSQ分割错误,9/36支(25%)血管为其他因素(AI-CSQ分割与QCA分割相匹配)(表5)。不一致示例见图5。
讨论
在我们对基于人工智能的解剖CT工具进行的多中心分析中,以QCA作为参考标准,我们发现在50%和70%狭窄阈值下均具有高诊断性能。这一观察支持CCTA从定性工具向客观、定量工具的演变。重要的是,从临床角度来看,AI-CSQ工具在跨解剖血管节段方面对解剖性狭窄表现出高鉴别能力,具有高灵敏度和NPV,提示该工具可能有助于阅片者对解剖性狭窄病例进行筛查。鉴别能力包括在50%和70%阈值下每血管AUC分别为0.92和0.93,该指标独立于疾病患病率,在每患者和每血管水平上均具有高NPV和灵敏度。这些发现代表了我们认为对该领域的重要贡献,应有助于为其融入临床实践提供依据。
与本研究中密切相关的是,Griffin等(10)使用另一种基于人工智能的方法评估冠状动脉狭窄,并报告了高诊断性能,对于50%或以上狭窄,每患者和每供血区域水平的AUC分别为0.88和0.90,对于70%或以上狭窄,分别为0.92和0.95。多中心CLARIFY试验(16)也报告了类似结果,该试验将一种AI方法与CT阅片者进行比较,发现对于50%或以上狭窄,灵敏度、特异度、PPV和NPV分别为94.8%、80.0%、97.0%、80.0%和97.0%,对于70%或以上狭窄,分别为90.9%、99.8%、93.3%、99.9%和99.7%。这些发现与我们的结果相关,提示基于人工智能的工作流程可能有助于在临床实践中支持更高效、一致和准确的CCTA判读。
AI-CSQ工具与侵入性QCA之间狭窄不一致超过30%的情况见于少量但不可忽视的病例中。在狭窄大于50%的血管中,不一致血管的比例略高,而且无论该狭窄是由QCA还是由AI-CSQ定义,这一情况均相似。虽然该工具高估狭窄严重程度的频率高于低估(在36条不一致血管中分别为61%与39%),但使用AI-CSQ的临床医生应意识到这两种错误的可能性及其可能原因。
不良的CT图像质量,包括对比剂密度欠佳、条状伪影或对位不良(“阶梯伪影”),占误差的大多数(36例中的21例,58%),且这些主要为高估(21例中的16例,76%),进一步强调了高质量源图像的价值,以及当AI-CSQ工具在图像质量欠佳的情况下识别出潜在阻塞性病变时需要保持一定谨慎。
在少数不一致病例中(36例中的6例,17%),分割错误主要导致狭窄程度被低估(6例中的5例,83%);这可能与分割中心线在钙化病变区域发生错位有关,随后被误判为血管腔。最后,在四分之一的差异血管中(36例中的9例),尽管图像质量充分且两种技术的分割匹配,AI-CSQ工具与QCA之间仍出现差异,导致高估/低估大致各占一半。在这些病例中,差异可能归因于CT与有创冠状动脉造影之间的固有 modality 差异,以及严重程度的真实解剖学差异。后者可能由两项检查之间的间期疾病进展以及不同的医疗环境(如给予硝酸酯类或其他抗心绞痛药物)来解释。这些因素可能已经解释了当前临床实践中CT与有创血管造影之间一些已知差异(17)。
随着近期美国心脏协会/美国心脏病学会胸痛指南的更新,CCTA在稳定性和急性胸痛场景中均获得1A类推荐(1),预计CCTA的采用和临床整合将继续增长。2018年,一项关于在英国实施CCTA路径影响的分析显示,CCTA采用率较高与心血管死亡率和缺血性心脏病死亡的显著降低相关,且下游检查未增加(18)。然而,最终CCTA的采用率仍将受限于阅片者能力和培训资源。利用基于AI的解剖判读工具来促进不同经验水平阅片者之间高效、客观的解剖判读,这一机会令人振奋。
本文呈现的准确性数据构成了该技术临床验证的第一步。重要的是,我们的分析涵盖了在多个CT扫描平台上执行的CCTA检查,提示该技术在不同重建算法下均可行。此外,算法开发所用的CT检查和标注大型数据库与本研究中评估的病例完全独立,从而避免了潜在的学习偏倚。如上所述,我们不仅探索了传统的逐节段解剖准确性对比QCA,还利用AI-CSQ的定量要素在精确MLD位点评估AI-CSQ与QCA之间的准确性和一致性。逐节段分析时更高的敏感度和NPV可能凸显了CCTA的关键优势之一,即能够在解剖学上排除病变和重度狭窄。更精细的MLD狭窄评估的效用目前尚不确定,但应成为未来探索的主题。
我们的分析并非没有局限性。同一参与者内的多条血管被独立处理,这未考虑同一参与者内可能存在的相关观测。然而,按患者水平分析得到的相似结果提示,这种在每血管水平上的潜在混杂因素不太可能产生显著影响。
解剖性阻塞性疾病(QCA显示狭窄≥50%)的患病率为50%,这在此类提交用于CT-FFR分析的CCTA研究中具有代表性。然而,被转诊行CCTA的个体之间疾病负担在机构间差异很大,在CCTA被用作较低风险患者排除性检查的机构中预期会更低。相反,在CCTA被视为一线检查的机构中,疾病负担已显示增加(19)。我们样本中阻塞性疾病的患病率与验证CCTA的基础诊断准确性研究(6,9)以及基于人工智能的狭窄评估工具(10)所报告的结果相当。尽管如此,如果我们提出AI-CSQ作为狭窄的自动化一线筛查的潜在用途,那么未来研究应寻求在患病率更低的样本中对其进行验证,以证明其对临床实践中所见更广泛人群的适用性。
此外,我们尚未评估此类工具在实践中对CCTA临床解读的影响。进一步研究应评估AI-CSQ能否提高阅片者效率和整体准确性,并评估阅片者将其整合到工作流程中需要克服的任何挑战。此外,本研究仅关注解剖性狭窄,而未关注定性或定量斑块特征、负荷和体积的指标。虽然这是一个局限性,但根据CAD-RADS 2.0(15),解剖性狭窄严重程度的评估是现代CCTA解读的第一组成部分,因此AI-CSQ在使用当前标准诊疗的阅片者中仍可提供实质性帮助。如果定量斑块体积评估技术(20)(包括基于人工智能的分析[21])在临床实践中更为普及,进一步工作应研究这些技术如何与AI-CSQ相互作用,以及整合两者用于预测患者风险和治療反应是否存在累积益处。
此外,CT图像质量对于AI-CSQ准确量化狭窄仍然很重要,正如其在现有定性报告中一样。大体型可进一步降低图像质量,影响AI-CSQ工具的性能。该队列相对较低的平均体重指数(26.4 kg/m2 ± 3.7)可能影响了最终结果。尽管在58%的显示大于30%差异的血管中,图像质量被确定为影响因素,但我们的分析并未试图将主观图像质量与QCA和AI-CSQ之间的一致性相关联。仅有21条血管因图像质量被认为不一致,数量太少,无法按个体原因(例如对比剂不透明度、图像噪声、运动)或其他因素(例如扫描供应商)进一步分析。最后,钙化评分升高也可能潜在影响AI-CSQ工具的诊断性能。遗憾的是,由于把握度不足,我们的队列规模不够大,无法探索非预设分析。未来采用更大队列的验证研究应致力于调查研究质量和斑块特征(包括钙负荷)对AI-CSQ工具诊断性能的影响,以更好地界定可能损害研究结果稳健性和普遍性的固有局限性。
总之,一种基于人工智能的CCTA狭窄判定工具与QCA相比显示出高诊断性能,对DS严重程度具有高特异性,对每支血管和每位患者的狭窄具有高敏感性。该工具还显示出对狭窄评估的高判别能力。需要进一步研究以更好地理解如何将该工具以促进更快、更可重复和更准确的临床CCTA报告的方式整合到临床实践中。
引用
- Dundas J, Leipsic JA, Sellers S, et al. Artificial Intelligence-based Coronary Stenosis Quantification at Coronary CT Angiography versus Quantitative Coronary Angiography. Radiol Cardiothorac Imaging. 2023. PMID: 38166336. doi:10.1148/ryct.230124
- 全文:PMC11163244(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11163244/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。