文献速递心血管CTDSA

基于冠状动脉CT血管成像的深度学习模型预测血管特异性缺血的诊断效能

Diagnostic performance of a coronary CT angiography-based deep learning model for the prediction of vessel-specific ischemia.
PubMed 文献 · Eur Radiol · 2025-10-11

该回顾性多中心研究纳入275例患者322支血管,评估CT-FFRAI深度学习模型以有创FFR≤0.80和iFR≤0.89为参考标准预测血管特异性缺血的诊断效能。资深放射科医师监督下诊断准确率均为83%,冠脉钙化显著降低特异度(OR 1.002,95%CI 1.001-1.003),无监督时准确率降至61%-62%。

要点

  • 资深医师监督下CT-FFRAI预测FFR≤0.80和iFR≤0.89的准确率均为83%,阴性预测值达93%-94%。
  • 冠脉钙化评分显著降低CT-FFRAI诊断准确率(OR 1.002,95%CI 1.001-1.003)。
  • 无放射科医师监督时准确率降至61%-62%,假阳性增加导致特异度和阳性预测值降低。

核心结论

  • CT-FFRAI在预测血管特异性冠脉缺血方面较有创FFR和iFR表现出高诊断效能。
  • 冠脉钙化对特异度有负面影响,提示提高空间分辨率可能改善准确率。

研究设计与样本

  • 回顾性多中心研究,纳入2个中心275例患者共322支冠脉血管。
  • 患者于2017年至2022年间因稳定胸痛或等效症状行CCTA,初始阅片显示狭窄≥50%后三个月内行ICA及有创FFR和/或iFR测量。
  • 中心1使用320排CT(Aquilion One Vision Edition,Canon Medical System Corporation),中心2使用96排双源CT(Somatom Force,Siemens Healthineers)。
  • CT-FFRAI模型(CorEx,SPIMED-AI)以9幅曲面多平面重建图像为输入,输出二分类结果(≤0.80或>0.80)。
  • 参考标准为有创FFR≤0.80(n=224)和有创iFR≤0.89(n=238)。

关键影像表现/征象

  • 所有ICA狭窄≤25%的病变CT-FFRAI均分类为>0.80。
  • 仅3例ICA狭窄>75%的病变出现CT-FFRAI假阳性,其狭窄血管Agatston评分分别为357、317和317。
  • 其余58例假阳性位于ICA狭窄26%-75%范围。
  • 18例假阴性均位于ICA狭窄26%-75%范围,其中16例位于有创FFR 0.75-0.80(n=9)和iFR 0.86-0.89(n=7)灰区。

诊断标准与关键数值

  • 资深医师监督下CT-FFRAI预测FFR≤0.80:敏感度85%(58/68),特异度82%(128/156),阳性预测值67%(58/86),阴性预测值93%(128/138),准确率83%(186/224)。
  • 资深医师监督下CT-FFRAI预测iFR≤0.89:敏感度91%(78/86),特异度78%(119/152),阳性预测值70%(78/111),阴性预测值94%(119/127),准确率83%(197/238)。
  • 初级医师监督下预测FFR≤0.80和iFR≤0.89的准确率分别为79%(177/224)和78%(186/238),与资深医师间差异无统计学意义(p=0.327)。
  • 无监督CT-FFRAI预测FFR≤0.80和iFR≤0.89的准确率分别降至61%(136/224)和62%(148/238)(p<0.001)。
  • CT-FFRAI二分类结果在资深与初级医师间的κ=0.725(p<0.001),一致性为实质性。

临床应用与阅片要点

  • CT-FFRAI提供了一种无创替代有创FFR和iFR测量检测血管特异性缺血的方法,可能减少有创操作需求、降低医疗费用并提高患者安全。
  • CT-FFRAI分析目前需要在放射科医师监督下进行,无监督时准确率显著下降。

局限性

  • 原文结论指出冠脉钙化负面影响特异度,提示需进一步改进空间分辨率以提升准确率。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2025 Oct 11;36(4):3054–65. doi: 10.1007/s00330-025-12048-4

引言

侵入性冠状动脉造影(ICA)期间的血流储备分数(FFR)是指南认可的用于评估特定血管冠状动脉缺血的侵入性生理学指标。其定义为在腺苷诱导的最大充血状态下测量的冠状动脉远端平均压力与主动脉平均压力之比,阈值≤0.80提示存在血流动力学显著的狭窄[1, 2]。由于该评估对指导治疗策略的重要性,其他侵入性非充血性生理学指标,如静息瞬时无波比率(iFR),通过在舒张期测量跨冠状动脉病变的静息压力梯度计算得出,在近期随机临床试验中已被证明在阈值≤0.89时与侵入性FFR≤0.80相比是可靠的替代指标[3, 4]。

近年来,研究重点已转向无创方法的发展。利用冠状动脉计算机断层扫描血管造影(CCTA)通过计算流体动力学(CFD)模拟估算的FFR(CT-FFR)[5]已成为侵入性FFR的成熟替代方案,根据近期指南可考虑用于中等风险及稳定性胸痛患者的诊断和管理[1, 2]。与此同时,人工智能(AI)在医学领域尤其是诊断影像学中迅速发展[6]。不同全自动或半自动机器学习或深度学习模型(DLM)被报道可从CCTA数据集预测侵入性FFR(CT-FFRAI),准确率范围为66%至93%,通常基于小型单中心队列[7]。一种新的CT-FFRAI模型(CorEx,SPIMED-AI)在小型中等严重程度冠状动脉狭窄(直径狭窄40–70%)患者队列中,预测侵入性FFR≤0.80的诊断价值与基于CFD的CT-FFR相似[8]。与CFD——一种求解Navier-Stokes方程的物理模型——不同,该CT-FFRAI模型基于分割的曲面多平面重建(cMPR)图像进行训练,整合了冠状动脉疾病报告与数据系统(CAD-RADS)分类和以侵入性FFR为金标准的二分类预测模型(CT-FFRAI≤0.80或>0.80)[8, 9]。本回顾性多中心研究的目的是在更大的人群中评估CorEx(Spimed-AI)作为CT-FFRAI在评估由ICA期间两种经验证的侵入性压力测量所定义的特定血管缺血方面的诊断性能和可靠性。

材料与方法

研究人群

我们的研究方案获得了参与中心机构伦理审查委员会的批准(中心1:2022/130,2022;中心2:13/06/2023),并根据对去标识化健康数据进行回顾性分析的法律规定,豁免了患者知情同意的要求。我们回顾性连续选取2017年至2022年间在两个中心所有接受CCTA且初次阅片显示冠状动脉狭窄≥ 50%、随后在三个月内接受ICA并进行了有创FFR和/或iFR压力测量的患者。按血管分析仅纳入至少进行了一次有创压力测量(FFR、iFR或两者兼有)的冠状动脉,并考虑了多支血管显示≥ 50%狭窄的患者。未进行有创压力测量的血管不纳入分析。CCTA的实施基于稳定的胸痛或同等症状的临床指征,适用于阻塞性冠状动脉疾病临床验前概率中等的患者[2]。排除标准为ICA评估数据缺失(n = 1)、成像质量无法诊断(n = 17)以及受累血管既往接受过冠状动脉血运重建或旁路移植术(n = 14)(图1)。所有符合这些标准的合格患者均被纳入。

图1 STARD流程图 查看原图 ↗

CT-FFRAI模型

基于人工智能的CCTA FFR预测模型是一种深度学习模型(DLM),以9幅cMPR图像作为输入,将冠状动脉病变分类为CT-FFRAI ≤ 0.80或> 0.80。该模型在已标注ICA期间测得FFR值的CCTA图像上进行训练。模型处理9幅cMPR图像,这些图像沿冠状动脉中心线周围完整360°圆周以40°间隔获取,以捕捉冠状动脉的详细多角度视图,同时保留其自然迂曲度。确定40°间隔是为了在检测和量化偏心性或钙化病变狭窄程度的准确性方面,与基于人工智能评估的计算效率之间提供最佳平衡。其核心是,该系统采用受InceptionV3架构启发的卷积网络,直接从数据中提取关键图像特征[10]。该方法不依赖单一模型,而是围绕多个中间模型构建,每个模型专用于特定功能。这些模型通过检测钙化、评估指示狭窄程度的CAD-RADS 6类分类评分以及评估整体图像质量,帮助完善分析[9, 11]。其输出提供额外背景信息以增强最终分类,特别是因为临床证据表明CAD-RADS与有创FFR之间存在强相关性[12]。为优化性能,这些中间模型使用预训练单图像模型的权重进行初始化,从而简化和加速训练过程,同时确保不同任务之间的一致性。与依赖求解CFD偏微分方程来建模血流和压力的传统方法不同,我们的模型直接从图像中学习冠状动脉解剖结构与FFR之间的关系。这种直接学习方法无需复杂模拟,从而能够在临床环境中实现快速、实时分析。为进一步增强透明度,模型使用积分梯度来突出显示CCTA图像中对CAD-RADS预测影响最大的特定区域,从而阐明决策过程。与其他仅关注3D容积分析或仅关注CFD的人工智能模型不同,CT-FFRAI通过先进深度学习技术整合解剖和功能数据,增强预测稳健性。

CT采集与图像处理

患者在中心1使用320排CT扫描仪(Aquilion One Vision Edition,佳能医疗系统株式会社)接受CCTA检查,在中心2使用96排双源CT扫描仪(Somatom Force,西门子医疗)接受检查。两个中心的扫描和对比剂给药参数见表1。中心1在120 kV和3 mm层厚下进行非对比剂成像以计算Agatston评分,中心2在Sn100 kV和3 mm层厚下采用虚拟120 kV重建进行计算。Agatston评分使用专用软件(Syngo via B60,西门子医疗)在非对比增强CT图像上计算。钙化病变定义为衰减值≥130 Hounsfield单位(HU)且面积≥1 mm²的区域。钙化由自动检测并经资深放射科医师人工核实。每条冠状动脉的Agatston评分通过汇总该冠状动脉的钙化得出。随后的CCTA采集根据心血管计算机断层扫描学会指南[13]采用前瞻性或回顾性心电门控进行。由当地研究者选择最佳舒张期或收缩期相,并发送至专用软件(Syngo via B60,西门子医疗),由一名资深放射科医师(中心1的B.P.,10年经验;中心2的R.S.,11年经验)和一名初级放射科医师(中心1的S.O.,3年在训;中心2的A.VB.,2年在训)进行分析,分析时对患者信息、临床数据及ICA期间的侵入性压力测量值设盲。沿主要冠状动脉的CMPR图像使用标准化窗设置(窗宽:1000 HU,窗位:300 HU)自动重建。初始中心线放置和窗参数由软件生成,但资深或初级放射科医师可根据认为必要时进行手动调整。值得注意的是,未针对这些手动修改提供额外培训,这可能潜在影响CT-FFRAI的结果。随后,每条冠状动脉共九幅cMPR图像上传至基于服务器的模块CorEx,用于CT-FFRAI预测(图2)。随后分析这些图像以评估CT-FFRAI的诊断性能,按血管评估中心线构建由资深或初级放射科医师监督。资深放射科医师评估了若干患者相关和CCTA图像相关参数对CT-FFRAI预测血管特异性缺血的诊断准确性的影响。在升主动脉和右主支气管内放置感兴趣区,使其包括最大血管或支气管管腔,仔细避及其边界,以测量平均衰减值和标准差(SD)。CCTA信噪比(SNR)计算为升主动脉平均衰减值与右主支气管衰减值SD之比。所有冠状动脉的最小横截面直径通过软件的自动测量功能在各血管起源处沿血管长轴进行横截面重建获得,如前所述[14]。

图2 研究流程。所有冠状动脉计算机断层扫描血管造影(CCTA)检查均由各中心的一名高级和一名初级放射科医生对所有狭窄段进行中心线构建监督评估。每条冠状动脉共九幅曲面多平面重建图像上传至CorEx(Spimed-AI),这是一种基于CCTA的深度学习模型,用于预测有创血流储备分数(CT-FFRAI)。随后分析这些图像以评估CT-FFRAI的诊断性能,以有创血流储备分数≤ 0.8和有创瞬时无波形比值≤ 0.89作为参考标准。 查看原图 ↗
表1 两中心钙化积分和CCTA成像的技术与采集参数 查看原表 ↗

有创冠状动脉造影评估

ICA上冠状动脉疾病的管腔狭窄由各中心的两位资深介入心脏病学专家(中心1:P.K.,13年经验;Y.B.,12年经验。中心2:W.D.,18年经验;K.D.,8年经验)评估,对患者信息、临床数据和CT-FFRAI评估设盲,并根据横截面狭窄严重程度经典地分为4个等级:0–25%、26–50%、51–75%和76–100% [15]。分类中的差异通过共识评估。ICA期间的有创FFR和iFR测量由当地介入心脏病学专家根据最新指南进行 [1, 2]。根据Svanerud J等 [16]的研究,静息全周期比值测量在0.89阈值下被认为与有创iFR相似。对于表现为慢性冠脉综合征或等效症状且冠状动脉狭窄血流动力学意义不确定的患者,考虑使用有创FFR、iFR或两者进行有创生理学评估。虽然这些指标通常产生一致的结果,但由于微血管阻塞、微血管功能障碍或主动脉瓣狭窄等因素可能影响两种测量,可能出现差异。联合使用有创FFR和iFR有助于识别此类病例,特别是在复杂或临界狭窄中。在FFR和iFR结果不一致的情况下,治疗决策基于对患者临床病史、表现症状及任何可用无创检查结果的综合评估 [3, 4]。

统计分析

统计分析(W.MA.F.)使用SPSS v 29.0进行。样本量计算使用R版本4.4.1(The R project for Statistical Computing)并基于Coenen等人的研究,该研究显示准确度为78%、敏感度为82%、特异度为76% [17]。假设统计效能> 0.8、双侧α为0.05、血管特异性冠状动脉缺血患者比例为0.35,本研究总共至少需纳入309个血管测量值。基于Shapiro–Wilk检验服从正态分布的连续数据以均值±标准差表示,非正态分布数据以中位数和四分位间距(IQR)表示,分类变量以频率和百分比表示。

每位高年资和低年资放射科医师分别评估各自中心的病例,统计分析在汇总数据上进行。低年资与高年资医师对CT-FFRAI二分类结局(≤ 0.80或> 0.80)的评估一致性——该结局源于各自中心线构建监督——采用Cohen's κ计算,具体如下:κ值≤ 0表示无可靠性,0.01–0.20表示无至轻微,0.21–0.40表示一般,0.41–0.60表示中等,0.61–0.80表示实质性,0.81–1.00表示几乎完全一致。

由低年资和高年资放射科医师分别评估的CT-FFRAI诊断价值,以有创FFR或iFR作为血管特异性缺血的标准参考,表示为敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV),并计算95%置信区间(CI)。当同时获得有创FFR和iFR值时,先分别独立分析。对同时具有有创FFR和iFR测量的血管(n = 140)进行亚组分析。高年资与低年资放射科医师之间CT-FFRAI的诊断准确性采用卡方检验进行比较。除非另有说明,结果与讨论部分最终报告的CT-FFRAI诊断值将针对高年资放射科医师。

采用多项逻辑回归模型评估与CT-FFRAI分析假阳性和假阴性相关的患者相关及CCTA图像相关参数。在控制潜在混杂因素的情况下,进行后退逐步逻辑回归以识别假阳性和假阴性结局的显著预测因素。模型最初纳入所有自变量。基于似然比检验系统剔除不显著变量,剔除标准为p > 0.05。选择基于患者相关因素(年龄、性别、体重指数(BMI)、采集时心率、狭窄血管钙化积分及狭窄冠状动脉开口直径)和技术因素(SNR、CT扫描仪类型及CCTA与有创FFR/iFR之间的时间间隔)的比值比(OR)。双尾p值< 0.05表示有统计学意义。

结果

患者及冠状动脉狭窄特征

总共275例患者(平均年龄66 ± 9岁;范围37–91岁)符合纳入本回顾性研究的标准,包括187例男性和88例女性。32例患者被排除,原因包括缺乏ICA压力测量数据(n = 1)、CCTA图像质量差(n = 17)以及受累血管既往曾行冠状动脉血运重建(n = 14)(图1)。BMI中位数为26.9(IQR 23.9–29.4)kg/m²,CCTA采集过程中心率中位数为60(IQR 55–66)次/分。人口学特征和心血管危险因素见表2。CCTA与ICA期间有创FFR和/或iFR测量之间的平均时间间隔为26 ± 20(范围0–91)天。总共462次在ICA期间进行的压力测量可用于与CT-FFRAI进行比较,包括224次有创FFR测量(FFR中位值0.85;IQR 0.79–0.89)和238次有创iFR测量(iFR中位值0.91;IQR 0.86–0.95),涉及322条狭窄血管的评估。43%(140/322)的冠状动脉狭窄同时接受了有创FFR和有创iFR评估。经ICA共识判读,0–25%范围内有25处狭窄,26–50%范围内有185处,51–75%范围内有207处,76–100%范围内有37处。有8处冠状动脉狭窄的分级数据缺失。

表2 患者特征和心血管危险因素 查看原表 ↗

CT-FFRAI的诊断价值

高年资和低年资放射科医师评估之间CT-FFRAI二分类结局(≤ 0.80或> 0.80)的一致性为中等程度(κ = 0.725;p < 0.001)。根据高年资放射科医师中心线构建监督,CT-FFRAI预测有创FFR ≤ 0.80和有创iFR ≤ 0.89的准确率分别为83%(186/224)和83%(197/238),略高于低年资放射科医师监督下的79%(177/224)和78%(186/238)。高年资与低年资放射科医师监督之间CT-FFRAI的诊断准确率差异无统计学意义(p = 0.327)。所有诊断值列于表3。然而,与有创FFR和iFR相比,无监督CT-FFRAI的诊断准确率分别降至61%(136/224)和62%(148/238)(p < 0.001)。由于假阳性病例增加,特异度和PPV明显降低。所有无放射科医师监督的诊断值见补充表A。

在同时接受有创FFR和iFR评估的病变中(n = 140),高年资放射科医师监督的CT-FFRAI显示出相似的诊断准确率,分别为85%(119/140)和80.7%(113/140),与在总体队列中观察到的结果相当。有创FFR与iFR测量之间的不一致,定义为FFR ≤ 0.80且iFR > 0.89(n = 7)或FFR > 0.80且iFR ≤ 0.89(n = 9),在11%的病例中观察到(16/140)。在该不一致亚组中,高年资放射科医师监督的CT-FFRAI与FFR的一致率为69%(11/16),与iFR的一致率为31%(5/16)。

表3 基于二分类结局分析的CT-FFRAI与有创FFR和iFR测量相比的诊断值 查看原表 ↗

CT-FFRAI与形态学狭窄严重程度的关系

根据资深放射科医师的中心线构建监督以及ICA上的狭窄严重程度,CT-FFRAI预测血管特异性缺血的准确性逐例列联表见表4。图3展示了一个真阴性病例的代表性示例。所有≤25%的狭窄均被分类为CT-FFRAI > 0.80,而ICA上仅有三处>75%的冠状动脉狭窄在CT-FFRAI分析中呈假阳性,这些狭窄血管的钙化评分较高(Agatston评分分别为357、317和317)。其余58例假阳性病例位于ICA狭窄26–75%范围内(图4)。共有18例CT-FFRAI预测呈假阴性,均位于ICA狭窄26–75%范围内。这些假阴性中16/18同时也处于有创FFR 0.75–0.80(n = 9)和有创iFR 0.86–0.89(n = 7)的灰区范围内;而其中一处狭窄血管在ICA期间的有创FFR测量值为0.71,iFR测量值为0.81。

图3 真阴性病例。一例代表性病例:60岁女性患者,近期出现稳定性胸痛。曲面多平面重建冠状动脉计算机断层扫描血管造影A显示右冠状动脉中段一处软斑块伴阻塞性狭窄(白色箭头)。有创冠状动脉造影B证实为26–50%狭窄(白色箭头)。血流储备分数测量值为0.94,高于0.8阈值。瞬时无波形比率测量值为0.95,高于0.89阈值。CT-FFRAI预测值> 0.8(C) 查看原图 ↗
图4 假阳性病例。一例代表性病例:81岁男性患者,近期出现稳定性胸痛。曲面多平面重建冠状动脉计算机断层扫描血管造影A显示左前降支近段一处重度钙化斑块伴开花伪影(白色箭头),伴有阻塞性狭窄。有创冠状动脉造影B显示26–50%狭窄,血流储备分数为0.89,与CT-FFRAI预测FFR ≤ 0.8的报告相反(C)。值得注意的是,该患者在左回旋支上还有一处阻塞性狭窄,CT-FFRAI预测> 0.8,而有创血流储备分数> 0.8(FFR = 0.91) 查看原图 ↗
表4 基于资深放射科医师监督和有创冠状动脉造影狭窄严重程度的CT-FFRAI逐例 Assignment 相对于血管特异性缺血 查看原表 ↗

患者相关因素和CCTA图像相关因素的影响

仅狭窄血管的钙化评分对CT-FFRAI预测血管特异性缺血的诊断准确性有显著的不利影响。这一点通过基于所有假阳性和假阴性病例的多项逻辑回归分析(p < 0.001;OR,1.002;95% CI 1.001–1.003),以及仅基于所有假阳性病例的分析(p < 0.001;OR,1.002;95% CI 1.001–1.003)得到证实。扫描仪类型及所有其他患者相关因素,如年龄、性别、BMI、采集时心率以及狭窄冠状动脉的开口直径,对CT-FFRAI的诊断准确性均无显著影响(表5)。

表5 采用后向变量选择的多项逻辑回归模型,用于识别影响CT-FFRAI诊断性能的患者相关因素和CCTA图像相关因素 查看原表 ↗

讨论

在这项大型队列多中心研究中,CT-FFRAI 在预测血管特异性冠状动脉缺血方面显示出 83% 的诊断准确率,该缺血由 ICA 期间两种经过验证的压力测量方法定义,即侵入性 FFR 和 iFR [3, 4]。该模型的可靠性通过以下方面得到证明:使用来自 2 台不同 CT 扫描仪的数据集(涵盖前瞻性和回顾性扫描模式)获得相似的诊断性能,以及不同经验水平监督者之间具有高度观察者一致性。我们 CT-FFRAI 的诊断准确率与已建立的基于 CFD 的 CT-FFR(71–92%)[5, 18–21] 以及近期一项基于定量 CCTA 的 AI 模型报告的 72-82% 准确率 [22] 相一致。重要的是,在中等程度狭窄这一决策最具挑战性的临床亚组中,基于 CFD 的 CT-FFR 在评估血管特异性缺血时的准确率在按血管基础上降至 69%,在按患者基础上降至 73% [21]。相比之下,我们的 CT-FFRAI 保持了 77–88%(95% CI)的诊断准确率,这与使用同一 AI 模型针对中等程度狭窄进行的概念验证研究结果一致 [8]。然而,在没有放射科医师监督的情况下,CT-FFRAI 的诊断准确率显著下降,主要由于假阳性病例比例增加。这凸显了当前对有监督 CT-FFRAI 分析的需求。其他 AI 模型报告使用 3D 容积心脏图像、全自动 3D DLM,甚至不同的侵入性 FFR 阈值预测缺血时的准确率为 66–79% [19, 23, 24]。所有这些模型均采用不同的底层算法,以连续或二分类结果评估血管特异性冠状动脉缺血。Coenen 等将机器学习与 CFD 相结合,在一项纳入 351 例患者的多中心研究中实现了按血管 78% 的准确率 [17]。我们的 CT-FFRAI 相比其他模型具有更高准确率,可能归因于整合了两个 DLM,包括解剖和功能信息。其中一个被训练用于提供狭窄的 CAD-RADS 6 类分类,第二个被训练用于预测 0.8 FFR 阈值,并考虑侵入性 FFR 值与狭窄严重程度之间已知的非线性关系 [8, 11]。使用这种联合方法可能有助于在日常临床实践中优先处理高风险检查,并可能提高效率和优化工作负荷 [25–27]。尽管基于 CFD 的 CT-FFR 正日益成熟,但其临床采用仍受限于模拟血流动力学变化所需的大量时间,据报道处理时间从 10 分钟到数小时不等,取决于计算资源 [5, 17]。相比之下,CT-FFRAI 利用基于本地服务器的 DLM,使临床环境中的近实时分析成为可能,尽管未进行直接的时间比较 [8, 27]。

CT-FFRAI的高阴性预测值提示其有潜力减少进一步ICA测量的需求,从而降低成本并避免与有创操作相关的风险[28]。CT-FFRAI的高阴性预测值还得到以下事实的进一步支持:本研究中近90%(16/18)的假阴性病例,其有创FFR值介于0.75至0.80之间,或有创iFR值介于0.86至0.89之间。这些范围属于公认的“灰区”,在此区域内确定血运重建与保守药物治疗的适宜性仍存在争议[29]。一个由16例病例组成的亚组显示有创FFR与iFR测量之间存在不一致,凸显了即使采用有创技术也难以建立绝对参考标准的困难。在该不一致亚组中,CT-FFRAI与有创FFR的一致性高于与iFR的一致性,这可能反映了CT-FFRAI是以FFR作为参考标准进行训练的事实。鉴于假阴性结果的临床意义以及有创测量不一致病例中的诊断不确定性,有必要开展基于结局的研究以进一步评估CT-FFRAI的临床可靠性[30]。

由于图像质量理论上可能影响CT-FFRAI,我们试图评估患者相关及技术性CCTA参数对CT-FFRAI预测血管特异性缺血准确性的影响。CT-FFRAI的诊断性能受冠状动脉钙化的影响,这可能导致在严重钙化冠状动脉狭窄病例中表现不佳。然而,在中等狭窄范围(26–75%)内,53%的狭窄被正确分类为真阴性,强调了CT-FFRAI的附加价值。由于定量CCTA和ICA评估与病变特异性缺血相关性较差[31–33],CT-FFRAI可在该亚组中发挥重要作用,用于排除缺血并避免进一步的有创检查。

在一项先前的研究中,图像质量主要受冠状动脉直径影响,而较高的心率和钙化积分负面影响较小[14]。本研究中其他患者相关因素对CT-FFRAI准确性无显著影响,这可能与不同的选择过程有关。本研究的中位血管直径更大(3.6 mm对2.8 mm),且CCTA采集期间心率上限更低(78对110 bpm),减少了运动效应对图像质量的影响[14]。新技术如光子计数CT具有更高的空间分辨率,可能减少开花伪影,从而减少假阳性病例并改善CT-FFRAI的性能[34]。一项有前景的首次研究报道,在光子计数成像设置下,CT-FFRAI预测冠状动脉疾病具有极好的准确性[26]。

局限性

我们的研究存在一些局限性。首先,其回顾性设计及此类研究固有的局限性。需要一项样本量相似的前瞻性研究来确认我们的结果。其次,CT-FFRAI模型依赖于手动调整的cMPR图像,引入了对操作者的依赖性,特别是在中心线调整具有挑战性的情况下,例如在图像质量较差或病变严重钙化的检查中。一个结合自动轮廓勾画和分割的人工智能模型可以减轻FFR预测中的操作者依赖性。第三,我们的CT-FFRAI模型目前采用阈值为0.80的二分类结局,忽略了与灰区病变相关的临床信息。连续的CT-FFRAI结局将更具临床相关性。第四,CT-FFRAI可能对评估弥漫性病变没有价值。第五,像CT-FFRAI这样的深度学习模型(DLMs)的黑箱性质限制了可解释性;未来的发展可以使用热图来突出驱动预测的关键特征(例如,管腔狭窄或钙化),从而为其决策提供更多洞见[9]。最后,我们的研究没有调查临床结局,这是评估新技术的关键信息,应在进一步的研究中进行评估。

结论

与ICA期间两种经过验证的压力测量方法相比,CT-FFRAI在预测血管特异性冠状动脉缺血方面具有高诊断准确性,且该准确性独立于扫描仪类型和操作者经验水平。冠状动脉钙化的程度显著降低了CT-FFRAI的准确性,提示需要进一步开发空间分辨率以提高诊断精度,特别是在钙化血管中。高灵敏度和阴性预测值(NPV)表明,CT-FFRAI在侵入性操作前排除诱发缺血的病变方面可能特别有价值。

补充信息

补充信息

引用

  1. Peters B, Symons R, Oulkadi S, et al. Diagnostic performance of a coronary CT angiography-based deep learning model for the prediction of vessel-specific ischemia. Eur Radiol. 2025. PMID: 41076470. doi:10.1007/s00330-025-12048-4
  2. 全文:PMC13035628(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13035628/

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。