文献速递心血管外周血管CTIVUS

基于人工智能的冠状动脉CT血管造影动脉粥样硬化负荷量化:与INVICTUS注册研究中血管内超声的比较

Artificial intelligence-based coronary computed tomography angiography quantification of atherosclerosis burden: comparison with intravascular ultrasound in the INVICTUS Registry.
PubMed 文献 · Eur Radiol · 2026-03-05

INVICTUS注册研究中85例患者108支血管的CCTA与IVUS共配准分析显示,AI-QCT量化动脉粥样硬化负荷与IVUS在全段及非钙化、低衰减斑块亚段均呈强相关,最小管腔面积AI-QCT较IVUS小0.61±1.18 mm²,管腔面积狭窄率无显著差异。

要点

  • AI-QCT与IVUS在全段斑块体积(r=0.833)、管腔体积(r=0.943)、钙化指数(r=0.960)呈强相关。
  • AI-QCT较IVUS低估血管外弹力膜面积2.9±2.2 mm²、管腔面积1.63±1.10 mm²、斑块面积1.29±1.98 mm²。
  • 最小管腔面积处AI-QCT较IVUS小0.61±1.18 mm²(95%CI -0.83至-0.38),管腔面积狭窄率无显著差异。

核心结论

  • AI-QCT量化动脉粥样硬化负荷在全段及含非钙化和低衰减斑块的血管段与IVUS呈强相关和高度一致,斑块负荷和PAV无显著差异。

研究设计与样本

  • INVICTUS多中心注册研究(17家日本中心,2011年1月至2021年12月)中随机选取85例患者108支血管,CCTA与IVUS独立核心实验室盲法分析,以IVUS为参考标准。

关键影像表现/征象

  • AI-QCT自动生成血管中心线和管腔、外壁轮廓,斑块按CT值分为低衰减非钙化(<30 HU)、非钙化(30–350 HU)和钙化(>350 HU)。
  • AI-QCT与IVUS在最小管腔面积处斑块类型分类一致率99.1%(kappa 0.98,95%CI 0.96–1.00),非钙化斑块最常见(66/108;61.1%)。
  • IVUS识别4处斑块破裂(2支左前降支、2支右冠状动脉),CCTA未初始识别,其中2处IVUS为软斑块且CCTA呈低衰减。

诊断标准与关键数值

  • 全段分析AI-QCT与IVUS相关性:EEM体积r=0.899、管腔体积r=0.943、斑块体积r=0.833、长度标准化PAV r=0.851、钙化指数r=0.960。
  • 非钙化斑块段(168段)EEM、管腔、斑块体积相关性分别为0.953、0.972、0.828;低衰减斑块段(37段)分别为0.900、0.862、0.862。
  • 斑块负荷AI-QCT 49.7±14.3% vs IVUS 51.3±10.2%,平均差-1.60±12.12%(95%CI -3.91至0.71);PAV AI-QCT 51.2±14.0% vs IVUS 51.3±10.4%,平均差-0.09±8.90%(95%CI -1.78至1.61)。
  • PAV Bland-Altman 95%一致性界限-17.5%至+17.3%,94.4%测量值落在界限内。

临床应用与阅片要点

  • AI-QCT可在无人工输入下自动量化全段斑块负荷、管腔狭窄和最小管腔面积位置,可能减少观察者间变异。
  • AI-QCT系统低估EEM和管腔面积,可能部分归因于CCTA分辨率低于IVUS及两者血管扩张剂使用方式不同。
  • IVUS无法量化衰减斑块和钙化后方的组织,本研究在含衰减斑块段计算整个斑块体积而非衰减成分体积。

局限性

  • 原文未报告局限性。
全文中译20 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. 2026 Mar 5;36(7):5364–77. doi: 10.1007/s00330-026-12412-y

引言

认识到冠状动脉斑块负荷在管腔狭窄之外的预后意义[1–3],推动了量化冠状动脉总动脉粥样硬化负荷的进展。最初通过钙化评分替代指标进行估计,动脉粥样硬化负荷量化已从定性评估发展为半定量标准[4, 5]。然而,半自动量化耗时、依赖专业知识,且存在显著的观察者间变异性[6]。

人工智能(AI)能够以最少的人工交互快速实现动脉粥样硬化的准确且可重复的量化,有可能在不依赖阅片者专业知识的情况下标准化风险分层,促进对疾病进展或消退的客观监测,并为治疗决策提供可重复的指标。少数研究将冠状动脉计算机断层扫描血管造影(CCTA)图像上基于AI的斑块量化与血管内超声(IVUS)进行了相关性分析,且仅限于高斑块负荷(通常> 40%)的病变[7, 8]。虽然这种以病变为中心的方法最大化了无创-有创相关性,但未能验证基于AI的冠状动脉总动脉粥样硬化负荷量化,并忽视了轻度动脉粥样硬化的预后重要性[9]。定量斑块分析不仅必须对高斑块负荷病变准确,还必须对整个冠状动脉树准确,包括正常、低和高斑块负荷节段。

在当前对INVICTUS(多中心有创与无创影像模态登记研究,比较冠状动脉计算机断层扫描血管造影、血管内超声和光学相干断层扫描在确定冠状动脉粥样硬化严重程度、体积和类型中的作用)的分析中,我们研究了基于AI的CCTA(AI-QCT)冠状动脉粥样硬化量化在整个动脉粥样硬化负荷谱(包括病变和非病变连续血管节段)中的诊断效用。

材料与方法

研究设计与患者人群

INVICTUS登记研究的设计此前已发表[10]。简言之,INVICTUS是一项在日本17个中心开展的多中心登记研究,收集2011年1月至2021年12月的回顾性和前瞻性数据。前瞻性患者提供了书面知情同意。对于回顾性病例,各机构网站和/或当地网站发布了退出通知表,以告知不希望其信息被纳入研究的患者。研究方案符合1975年《赫尔辛基宣言》,经东邦大学大森医疗中心伦理委员会批准(M24009_22063_21054_19012),并在ClinicalTrials.gov前瞻性注册(NCT04066062)。

本研究旨在以血管内超声(IVUS)作为有创参考标准,验证AI-QCT对冠状动脉粥样硬化的定量评估。从INVICTUS注册数据库随机选取了一部分同时具有CCTA和IVUS图像的病例。我们在适用处遵循STARD 2015指南(补充表1)[11]。纳入标准为:年龄18岁及以上,经CCTA发现冠状动脉疾病(CAD),临床状态稳定,并在CCTA后不超过3个月内接受有创冠状动脉造影或经皮冠状动脉介入治疗并辅以IVUS。排除标准包括:在研究前瞻性阶段无法提供书面知情同意,表现为急性ST段抬高型心肌梗死,临床不稳定,妊娠妇女,造影证实病变部位存在血栓,经皮冠状动脉介入治疗前未行IVUS成像,IVUS成像前需要球囊血管成形术或任何病变操作,IVUS图像采用手动回撤采集,目标血管段既往存在支架,或CCTA与IVUS成像之间的时间间隔超过3个月。

CCTA图像采集

CCTA按照SCCT指南[12]使用64排多探测器CT扫描仪(SOMATON Definition Flash和SOMATOM Force,Siemens;Aquilion ONE ViSION Edition和Aquilion Precision,Canon;Revolution,GE HealthCare;iCT,Philips Healthcare)进行。CCTA前给予舌下硝酸甘油片剂或喷雾剂(0.4–0.8 mg)。根据需要按当地方案给予口服和/或静脉β受体阻滞剂以达到心率< 60次/分。扫描参数为:前瞻性心电触发研究采用R-R间期的70%至80%,回顾性研究采用35%至80%,准直64 × 0.625 mm,管电压100–120 kV,管电流350–780 mA。

IVUS图像采集

IVUS图像在冠状动脉内给予硝酸甘油(200–400 mg)后,使用市售40 MHz(ViewIT,Terumo;TVC Insight,InfraRedx)或60 MHz(OPTICROSS,Boston Scientific;AltaView,Terumo)机械旋转导管采集。成像探头推进至目标冠状动脉病变远端至少10 mm,然后使用自动马达驱动装置以0.5或1.0 mm/s回撤至主动脉-开口交界处或最大回撤长度。

CCTA与IVUS图像的配准

由耶鲁IVUS核心实验室(耶鲁心血管研究组)的一位经验丰富的分析人员(D.C.)在IVUS回撤图像及相应血管造影上绘制潜在标志物(如冠状动脉开口、侧支、钙化和狭窄)的详细图谱。随后,2位经验丰富的分析人员(D.C.和J.P.E.)以IVUS-血管造影标志物图谱为指导,在CCTA图像上匹配相同标志物,进行三模态配准。在IVUS、血管造影和CCTA图像上测量标志物之间的距离以进行验证。CCTA与IVUS共有的标志物之间经证实的最长距离定义了整个分析段,该分析段不限于某一病变或狭窄(图1)。

图1 多模态配准示例。首先,血管内超声(IVUS)核心实验室创建了冠状动脉造影(A)和IVUS回撤(B、C)共有的解剖标志(冠状动脉开口、侧支、钙化和狭窄)的详细图谱。接下来,在冠状动脉计算机断层扫描血管造影(CCTA)图像上识别相同的标志(A和D、E中的插图)。最近端和最远端配准标志之间的距离定义了分析节段,与斑块负荷无关。D(对角支),LM(左主干冠状动脉),LCx(左回旋支动脉),MLA(最小管腔面积),S(室间隔支) 查看原图 ↗

CCTA和IVUS图像分析

配准节段的CCTA和IVUS分析分别以0.5 mm间隔在Cleerly Labs(Cleerly Inc.)和耶鲁IVUS核心实验室进行。核心实验室独立分析图像,且彼此对对方的研究结果设盲。

CCTA图像使用市售且经FDA批准的AI-QCT软件(Cleerly Inc.)进行分析,方法如先前所述[13]。AI-QCT在所有可用期相中自动生成血管中心线以及内管腔和外血管壁的轮廓,选择两个质量最高的序列进行分析。对于每支血管,基于最小运动伪影和足够的管腔充盈选择最佳序列。系统自动分割并标记每支血管,并基于Hounsfield单位(HU)值识别和定量斑块。为确保准确性,经FDA要求,由合格的放射科技师审核AI输出以批准。仅纳入质量评级为优秀或良好的CCTA图像进行分析。该工作流程反映了AI-QCT经临床批准的使用方式。AI-QCT系统在既往研究中已证明具有优秀的扫描-再扫描可重复性[14, 15]。

IVUS图像使用IvusPlus软件1.1.0.0版(Pulse Medical)进行分析,遵循2001年ACC关于血管内超声研究采集、测量和报告标准的临床专家共识文件的建议[16]。外弹性膜(EEM)和管腔轮廓被自动确定,并在必要时手动调整。

在CCTA和IVUS图像上,计算配准节段上每个横截面的EEM(外血管壁)、管腔、斑块(EEM面积 − 管腔面积)面积以及斑块负荷(斑块面积 / EEM面积 × 100)。对整个配准节段计算EEM、管腔和斑块体积、动脉粥样硬化体积百分比(PAV)[∑(EEM面积 − 管腔面积) / ∑ EEM面积 × 100]以及长度归一化PAV。由一名资深IVUS操作者(D.C.)完成所有IVUS分析,具有优秀的可重复性(补充表2)。

在CCTA上,管腔与血管壁之间面积≥ 1 mm2的组织定义为冠状动脉斑块,分为低衰减非钙化斑块(< 30 HU)、非钙化斑块(30–350 HU)和钙化斑块(> 350 HU)[10]。在IVUS上,斑块分为高衰减斑块、软斑块或无回声斑块、纤维斑块和钙化斑块。CCTA和IVUS斑块特征描述的例子和定义见补充表3和补充图1。为了与CCTA进行一致的比较,IVUS特征描述为纤维斑块、软斑块和衰减斑块的斑块被视为非钙化斑块。其中,IVUS的衰减斑块和软斑块以及CCTA的低衰减斑块进一步归类为纤维脂肪性/脂质性斑块。值得注意的是,IVUS只能检测钙化和衰减斑块的前缘,但不能像CCTA那样对钙化和衰减成分的面积和体积进行定量。假设浅表钙化或衰减后方的组织完全为钙化或衰减代表了一个根本性错误(补充图2、3)。因此,我们进行了亚段分析,报告含有非钙化和衰减斑块的血管段的整个斑块体积。我们使用以管腔为中心的电子量角器确定钙化弧,并沿配准节段计算钙化总长度,计算了经验证的钙化指数[(钙化总长度/配准血管长度)×(最大钙化弧/360°)] [17](补充图4)。为保持一致性,我们在CCTA图像上使用500 HU作为钙化检测阈值计算了相同的钙化指数。

统计分析

107支血管的样本量提供了90%的把握度,在假设标准差为15%、显著性水平为0.05的情况下,检测AI-QCT与IVUS之间PAV定量≥ 5%的差异。

分类变量以频数和百分比表示,连续变量以均值 ± 标准差及95% CI或中位数和IQR表示(视情况而定)。采用Pearson相关和线性回归分析确定CCTA与IVUS指标之间的关联。采用Bland–Altman分析评估CCTA与IVUS之间的一致性。

分析在整个配准节段和亚段水平进行。所有统计分析使用SAS软件9.4版(SAS Institute)进行。

申办方的作用

Cleerly Inc.通过其学术核心实验室使用FDA批准的AI-QCT平台提供CCTA分析来赞助本研究,确保我们的验证反映实际临床工作流程。

为尽量减少申办方的影响和偏倚,实施了严格的保障措施。Cleerly核心实验室的CCTA分析和耶鲁核心实验室的IVUS分析独立进行,各核心实验室对彼此设盲。所有数据管理、统计分析和手稿准备均在耶鲁大学独立进行,资深作者和第一作者对研究设计、数据解读和手稿内容保持完全控制。按照标准的学术-产业合作惯例,申办方在提交前可获取最终手稿,但未对内容、数据解读或所呈现的结论施加任何影响。

结果

在从INVICTUS注册研究中筛选出106例患者的134条血管,并匹配血管造影、IVUS和CCTA图像后,我们因图像质量或配准问题排除了26条血管(21例患者)。最终分析纳入85例患者的108个配准冠状动脉节段(图2),涵盖235个亚节段(非钙化、低衰减、钙化或正常),全面覆盖了动脉粥样硬化疾病谱。

CCTA与IVUS采集之间的平均间隔为27.71 ± 21.03天。基线人口学和临床特征见表1。平均年龄为71.1 ± 9.8岁,71.8%为男性,三分之一患有糖尿病。左前降支冠状动脉为主要靶血管(44.4%)。

图2 研究流程图。在筛选的134条血管中,108条通过多模态配准并纳入最终分析。CCTA,冠状动脉计算机断层扫描血管造影;IVUS,血管内超声 查看原图 ↗
表1 基线人口学和临床特征 查看原表 ↗

全节段AI-QCT和IVUS分析

表2列出了整个配准节段的AI-QCT和IVUS血管及动脉粥样硬化测量值。AI-QCT测得的平均配准长度为38.3 ± 18.2 mm,IVUS为38.5 ± 18.7 mm。在横截面水平上,AI-QCT分别低估了血管(EEM)面积、管腔面积和斑块面积2.9 ± 2.2 mm2、1.63 ± 1.10 mm2和1.29 ± 1.98 mm2。斑块负荷的定量无显著差异(AI-QCT:49.7 ± 14.3% vs IVUS:51.3 ± 10.2;平均差值:−1.60 ± 12.12%,95% CI:−3.91至0.71)或PAV(AI-QCT:51.2 ± 14.0% vs IVUS:51.3 ± 10.4%;平均差值:−0.09 ± 8.90%,95% CI:−1.78至1.61)。Bland–Altman分析显示AI-QCT与IVUS之间高度一致。对于PAV,平均差值为−0.09%,95%一致性界限为−17.5%至+17.3%,表明在个别病例中,AI-QCT测量值与IVUS的差异可能高达约17个百分点。然而,94.4%的测量值落在这些界限内,表明对于临床应用具有可接受的一致性。

Pearson相关分析显示AI-QCT与IVUS在节段长度(r = 0.992)、EEM体积(r = 0.899)、管腔体积(r = 0.943)、斑块体积(r = 0.833)、PAV(r = 0.774)和长度归一化PAV(r = 0.851)方面存在强关联(图3)。

AI-QCT与IVUS在最大钙化角度(r = 0.906)、总钙化长度(r = 0.973)和钙化指数(r = 0.960)的定量方面也显示出强相关性(图4)。

表2 整个配准节段的AI-QCT和IVUS分析 查看原表 ↗
图3 全节段分析中定量参数的散点图和Bland–Altman图。散点图附有回归线和Pearson相关系数。在Bland–Altman图中,红色实线表示平均差值(偏倚),红色虚线表示95%一致性界限(1.96 × SD)。CCTA,冠状动脉计算机断层扫描血管造影;EEM,外弹性膜;IVUS,血管内超声;PAV,动脉粥样硬化体积百分比 查看原图 ↗
图4 冠状动脉钙定量的散点图和Bland–Altman图。钙角度(A)、总钙长度(B)和钙指数(C)的散点图及回归线、Pearson相关系数和Bland–Altman分析。在Bland–Altman图中,红色实线表示平均差值(偏倚),红色虚线表示95%一致性界限(1.96×SD)。CCTA,冠状动脉计算机断层扫描血管造影;IVUS,血管内超声 查看原图 ↗

最小管腔面积(MLA)部位的分析

CCTA和IVUS上的MLA部位分别独立确定,未主动进行共同配准;MLA部位在输出的CCTA和IVUS数据后处理过程中自动确定,为两种成像模态整个共同配准节段内管腔面积最小的横截面。AI-QCT和IVUS将MLA横截面定位在距共同配准节段最近端标志点远端25.5±18.5 mm和23.7±17.9 mm处(平均差值,1.79±26.83 mm;95%CI,−3.33至6.91 mm)。AI-QCT测得的MLA比IVUS小0.61±1.18 mm²(95%CI,−0.83至−0.38)。EEM面积(平均差值,−0.48±3.87 mm²;95%CI,−1.22至0.26)、斑块面积(平均差值,0.15±3.84 mm²;95%CI,−0.58至0.88)、斑块负荷(平均差值,3.6±13.1%;95%CI,1.1至6.0)或管腔面积狭窄率(平均差值,1.26±24.17%;95%CI,−3.37至5.90)均无显著差异(表3)。

CCTA和IVUS在MLA处对主要斑块类型分类的一致率为99.1%(kappa,0.98;95%CI,0.96–1.00);在AI-QCT和IVUS的MLA横截面中,非钙化斑块均最常见(66/108;61.1%)。IVUS识别出4处斑块破裂,位于2条左前降支动脉和2条右冠状动脉,CCTA最初未识别。其中,2处病变在IVUS上为软斑块,在CCTA上为低衰减。另2处在IVUS上为深部钙化上方的破裂表浅纤维性和软斑块,因严重钙化伪影在CCTA上不可见。

表3 AI-QCT和IVUS在最小管腔面积部位的分析 查看原表 ↗

亚节段分析

表4和图5展示了AI-QCT和IVUS对含非钙化斑块、低衰减斑块及正常血管节段的分析。

共有168个含非钙化斑块的节段。Pearson相关分析显示,AI-QCT与IVUS在EEM(r=0.953)、管腔(r=0.972)和斑块(r=0.828)体积方面呈强相关。

37个节段含有低衰减斑块。AI-QCT与IVUS在EEM(r=0.900)、管腔(r=0.862)和斑块(r=0.862)体积定量方面呈强相关。

30个节段涉及正常血管。CCTA缺乏分辨正常节段冠状动脉壁厚度的分辨率,会将管腔和外壁轮廓重叠。相反,IVUS可检测分隔管腔与EEM的内膜-中膜复合体,分析软件将EEM减去管腔的差值误报为斑块(补充图5)。由于这些方法学差异,IVUS量化的内膜-中膜厚度使血管面积受阻26.9±4.3%,而AI-QCT仅为4.8±10.6%。

在按CCTA衍生直径狭窄率和斑块分期分层的节段中,斑块体积也观察到强相关(补充表4、5和补充图6、7)。

图5 非钙化段和低衰减段定量参数的散点图和Bland–Altman图。散点图附有回归线和Pearson相关系数。在Bland–Altman图中,红色实线表示平均差值(偏倚),红色虚线表示95%一致性界限(1.96 × SD)。CCTA,冠状动脉计算机断层摄影血管造影;EEM,外弹性膜;IVUS,血管内超声 查看原图 ↗
表4 AI-QCT与IVUS亚段分析 查看原表 ↗

讨论

当前对INVICTUS登记研究的分析表明,AI-QCT对冠状动脉粥样硬化的定量分析与独立IVUS核心实验室对相同血管段的定量分析之间具有强相关性和一致性,包括总斑块体积、非钙化斑块段和衰减斑块段的斑块体积以及钙化指数。值得注意的是,AI-QCT无需人工输入即可准确量化管腔狭窄并识别MLA位置。

总动脉粥样硬化负荷的定量

虽然此前的多中心研究已显示深度学习算法与专家CCTA阅片者或独立IVUS分析之间具有良好的一致性,但这些研究主要集中于斑块负荷高(> 40%)的病变[7, 8]。虽然这些数据从技术角度令人放心,但基于AI的CCTA对低斑块负荷或无斑块负荷冠状动脉段的定量分析性能仍未得到验证。DECODE研究[18]揭示了当分析仅限于高斑块负荷血管区域时可能存在的陷阱:63%的研究被重新分类为更高的CAD分期,96%的患者被归类为中度至重度疾病,需要显著加强治疗,这引发了对过度治疗的担忧,过度治疗可能增加费用并对患者造成潜在伤害。

我们在既往研究基础上进行了扩展,评估了基于AI的CCTA对连续冠状动脉段粥样斑块负荷的定量分析,而不将分析限制于某一斑块负荷阈值的节段,从而提供了更广泛且具有临床意义的评估。管腔和EEM(或CCTA上的外血管)是量化冠状动脉斑块面积和体积的关键解剖结构。我们发现AI-QCT略微低估了EEM和管腔的面积和体积,部分原因可归因于CCTA与IVUS相比分辨率较低,以及IVUS(图像采集前即刻冠状动脉内注射硝酸甘油)与CCTA(图像采集前数分钟舌下含服硝酸甘油)相比使用了更强效的血管扩张。然而,这种微小但系统性的低估并未影响粥样斑块负荷的定量。我们的数据显示AI-QCT与IVUS在斑块负荷(平均差值:−1.60% ± 12.12;95% CI:−3.91至0.71)和PAV(平均差值:−0.09% ± 8.90%;95% CI:−1.78至1.61)定量方面具有高度一致性。当PAV按长度归一化后,AI-QCT与IVUS之间的差异可忽略不计(0.02 ± 0.89;95% CI:−0.15至0.19)。

按斑块类型分段的粥样斑块负荷

CCTA 对斑块的定性具有预后意义。CCTA 测量的低衰减非钙化斑块体积与未来心肌梗死和 MACE 的相关性最强,且独立于临床危险因素、钙化积分或节段狭窄评分 [19, 20]。此前,Omori 等 [21] 以近红外光谱-IVUS 为参考,证明 AI-QCT 检测低衰减斑块具有高准确性,曲线下面积为 0.97(95% CI,0.93–1.00),最佳体积阈值为 2.30 mm3。在本研究中,相同的基于 AI 的分析对非钙化斑块节段和衰减斑块节段的血管、管腔和斑块体积定量提供了强相关性(Pearson 相关系数分别为 0.95、0.97 和 0.83;衰减斑块分别为 0.90、0.86 和 0.86)。

由于在 IVUS 上无法可视化和定性衰减斑块后方的组织,我们计算了包含衰减斑块的节段的整个斑块面积和体积,而非衰减成分的体积。这与既往 IVUS 分析不同,后者假定浅表斑块衰减后方的组织完全为衰减组织,部分解释了 AI-CCTA 与 IVUS 对衰减斑块体积相关性较差(Pearson 相关系数,0.28)的原因 [8]。

同样,由于 IVUS 无法对钙化前表面后方的组织进行定性,我们未假定整个斑块体积均为钙化。相反,我们计算了既往报道的钙化指数,该指数间接代表每个冠状动脉节段的钙总量 [17],这一指标与离体组织学冠状动脉钙化定量相关 [22]。我们发现 AI-QCT 与 IVUS 在钙化长度、角度和钙化指数定量方面具有强相关性。

我们的研究纳入连续血管节段,未限于特定斑块或斑块负荷阈值。因此,预期会发现病变节段之间散布的正常血管节段;本数据集中发现了 30 个此类节段。这揭示了 IVUS 与 CCTA 对正常血管定量方法学上的差异。IVUS 可检出不同于管腔的内膜-中膜复合体,而 CCTA 有限的空间分辨率使管腔与外血管壁轮廓重叠(补充图 5)。这导致 IVUS 在正常节段报告的 apparent“斑块负荷”为 26.9 ± 4.3%,而 AI-QCT 仅测得 4.8 ± 10.6%。这一系统性差异必须结合两种模态的方法学差异来解释,而非任一技术的测量误差。

狭窄定量

狭窄严重程度的定量补充了动脉粥样硬化负荷对指导治疗决策的预后价值 [23]。在临床实践中,高估狭窄严重程度并不少见,尤其是在经验较少的阅片者中。PROMISE 研究对 4347 例患者的分析证实了这一点,其中核心实验室与中心判读不一致率为 16%,多数为中心报告显著 CAD 而核心实验室未证实 [24]。

在本研究中,AI-QCT 与 IVUS 相比仅低估 MLA 0.61 mm2。尽管幅度不大,但当基于二分类 MLA 阈值做出决策时,必须考虑到这种 MLA 低估。然而,当将 MLA 值与最正常参考部位的管腔面积进行比较时——即将绝对 MLA 校正至实际血管尺寸——AI-QCT 在管腔面积狭窄方面与 IVUS 显示出极好的一致性(平均差异,1.26 ± 24.17%;95% CI,−3.37% 至 5.90%)。

值得注意的是,MLA 部位是由每种模态在自动化数据处理过程中独立确定的,而非主动共配准。AI-QCT 自动识别的 MLA 位置与 IVUS 测定值相差在 1.79 mm 以内。这种空间一致性证明了 AI-QCT 自动定位病变的能力,支持其用于客观狭窄评估。

本研究发现的潜在临床意义

在动脉粥样硬化负荷的整个谱系(包括正常、轻度和晚期疾病)中验证 AI-QCT,为临床医生提供了准确的数据,用于评估心血管风险、制定个体化预防策略和指导治疗策略。这种全血管验证弥补了当前 AI 验证方法学中的一个关键空白,因为临床决策越来越需要跨所有疾病严重程度的准确斑块定量,而不仅仅是局灶性高危病变。狭窄的 95% 一致性界限以及跨疾病严重程度的一致性支持 AI-QCT 用于动脉粥样硬化定量。

我们的发现补充了近期证据,表明综合斑块特征描述——包括评估高危斑块特征和定量斑块负荷——可增强心血管风险预测并改善对致缺血病变的判别 [25, 26],尽管由于报告不一致和手动评估中阅片者变异性,其临床采用受到限制 [27]。

标准化的、基于 AI 的自动化 CCTA 分析有潜力通过消除限制其临床采用的依赖专业知识的变异性,使综合斑块评估普及化。通过提供快速、可重复的定量分析且观察者间变异极小,基于 AI 的 CCTA 分析可以弥合经验丰富的亚专科阅片者与普通放射科医生和心内科医生之间的差距,使准确的动脉粥样硬化评估在常规实践中可及。这种标准化对于监测疾病进展和治疗反应尤其有价值,因为总动脉粥样硬化负荷的一致且可重复的定量是关键。

整合每血管动脉粥样硬化负荷定量、管腔狭窄、高危斑块特征以及缺血的存在与分布的自动化 CCTA 工作流程,支持疾病表型分型、治疗计划和治疗监测。

局限性

我们的研究存在若干局限性。第一,尽管我们分析的是连续冠状动脉节段而非选择高级别狭窄,但平均配准长度(38.5 mm)受限于临床获取的IVUS回撤长度,而非遵循特定的全血管成像方案。尽管如此,这些节段仍长于既往仅限于选定狭窄的报道[8]。第二,我们的多中心设计引入了CT扫描仪(四家厂商)、采集方案(管电压:100–120 kV)和造影剂的异质性,这可能潜在影响了斑块衰减和管腔测量。然而,这种变异性反映了真实世界实践。此外,AI-QCT是在多样化的、不依赖厂商的数据集上训练的。在我们分析所用的64排系统之外,更新型的高排数扫描仪是否会进一步提高AI-QCT准确性,需要未来研究。第三,虽然根据各机构可用性使用了40 MHz和60 MHz导管的 different IVUS系统,但既往验证研究表明这些频率可提供可比的定量测量,相对差异低于10%且在临床可接受范围内[28, 29]。此外,所有IVUS图像均由单一资深操作者使用相同软件和测量方案分析,具有高可重复性(补充表2),确保了独立于导管频率的标准化分析。第四,以IVUS作为参考无法表征浅层衰减和钙化后方组织,阻止了对衰减体积和钙化体积及其占总斑块体积相对百分比的验证,而这些是常见的CCTA指标。相反,我们报告了衰减斑块节段的总斑块体积,并计算了既往验证的钙化指数。在正常冠状动脉节段中,IVUS将内膜-中膜复合体量化为“斑块”,而CCTA缺乏分辨血管壁厚度的分辨率(补充图5)。尽管存在这些方法学差异,AI-QCT在斑块体积和PAV定量方面与IVUS显示出强相关性;若分析仅限于高斑块负荷的选定区域,预期相关性会更强。第五,我们未系统记录AI-QCT质量审查期间手动校正的频率和类型。作为FDA批准临床工作流程的一部分,所有AI-QCT输出均须由合格放射科技师强制审查,其验证中心线放置、血管识别和标记,以及自动管腔和外壁轮廓。必要时进行手动调整以校正中心线偏差、血管错误标记,或在受伪影、重度钙化、运动或低对比度影响的节段中细化管腔和外壁边界。该工作流程已被广泛验证[13, 30–32],其反映了在提供该服务的各医院常规患者护理中使用的FDA清除临床工作流程,而非预先定义用户干预记录的研究专用受控流程。第六,我们的结果特定于所测试的AI-QCT平台,不能外推至其他基于AI的CCTA分析系统。最后,我们发现的预后意义超出本研究范围,需要未来研究以足够把握度评估临床结局。

结论

在多中心INVICTUS注册研究中,AI-QCT与盲法IVUS核心实验室对平均斑块负荷、PAV以及沿整个配准血管段和包含非钙化及衰减斑块的血管段的长度归一化PAV的定量显示出高度相关性和密切一致性。AI-QCT在定位MLA部位和定量管腔面积狭窄方面与IVUS表现出高度一致性,且无需人工交互。这些结果支持将AI-QCT作为快速、可重复且准确的工具纳入临床实践,用于定量总动脉粥样硬化负荷和定量狭窄严重程度。

补充信息

补充信息

引用

  1. Nakanishi R, Okubo R, Matsuo H, et al. Artificial intelligence-based coronary computed tomography angiography quantification of atherosclerosis burden: comparison with intravascular ultrasound in the INVICTUS Registry. Eur Radiol. 2026. PMID: 41781729. doi:10.1007/s00330-026-12412-y
  2. 全文:PMC13282242(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13282242/

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。