文献速递心血管胸部CTDSA

CT血管造影中度冠状动脉狭窄时左心室心肌深度学习分析可提高识别功能性显著狭窄的诊断准确性

Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis.
PubMed 文献 · Eur Radiol · 2018-11-12

该单中心回顾性观察研究纳入126例CCTA后行有创FFR测量患者,对中度狭窄(25–69%DS)者行左心室心肌全自动深度学习分析。联合DS评估的AUC为0.76,高于单纯DS评估的0.68;联合方法特异度48.4%高于单纯DS的31.1%,敏感度84.6%低于单纯DS的92.6%。

要点

  • 对CCTA中度狭窄(25–69%DS)患者,联合左心室心肌深度学习分析可将AUC从单纯DS的0.68提高至0.76。
  • 联合方法特异度48.4%,高于单纯DS(≥50%DS为功能性显著)的31.1%,敏感度84.6%低于92.6%。
  • 左心室心肌深度学习分析在静息CCTA图像上全自动完成,无需额外负荷灌注采集。

核心结论

  • 将狭窄程度评估与中度狭窄时左心室心肌深度学习分析联合,可能改善识别功能性显著冠状动脉狭窄的诊断性能。

研究设计与样本

  • 单中心、回顾性、观察性研究,2012至2016年连续选取136例CCTA后1年内行有创FFR测量患者,排除10例自动左心室心肌分割失败或分割显著错误者,最终126例(77%男性,59±9岁)。
  • 采用256层CT系统(Brilliance iCT,Philips Healthcare),准直128×0.625 mm;心率≤60 bpm用ECG触发步进扫描,心率>60 bpm用回顾性ECG门控螺旋扫描。
  • 以有创FFR≤0.80或侵入性冠状动脉造影高危狭窄(≥90%DS)定义功能性显著狭窄。
  • 深度学习分析对101例中度狭窄(25–69%DS)患者进行,采用10折分层交叉验证并重复50次。

诊断标准与关键数值

  • CCTA最高狭窄程度分级:≤24%为非显著,25–69%为中度,≥70%为显著;单纯DS以≥50%DS提示功能性显著狭窄时敏感度92.6%(95%CI 84.6–97.2%)、特异度31.1%(95%CI 18.2–46.6%)。
  • 单纯DS评估的AUC为0.68(95%CI 0.59–0.76)。
  • DS联合中度狭窄左心室心肌深度学习分析的AUC为0.76±0.02,敏感度84.6±0.03%,特异度48.4±0.04%。
  • 排除既往心肌梗死、PCI和/或CABG患者后(n=103,其中中度狭窄n=83),联合方法AUC为0.77±0.02,单纯DS评估AUC为0.67(95%CI 0.57–0.76)。

临床应用与阅片要点

  • 对CCTA中度狭窄(25–69%DS)患者,可在狭窄程度评估基础上加做左心室心肌深度学习分析,以提高识别功能性显著狭窄的特异度。
  • 该分析在已采集的静息CCTA图像上全自动完成,可能避免额外检查。

局限性

  • 本文为单中心、回顾性、观察性研究。
  • 10例患者因自动左心室心肌分割失败或分割显著错误被排除。
  • 深度学习分析仅在101例中度狭窄患者中训练和验证,采用10折分层交叉验证并重复50次。
  • 作者在结论中称联合方法「可能」改善诊断性能,需进一步研究。
全文中译13 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. 2018 Nov 12;29(5):2350–9. doi: 10.1007/s00330-018-5822-3

引言

使用冠状动脉计算机断层扫描血管成像(CCTA)评估冠状动脉狭窄程度(DS)是检测和排除冠状动脉疾病(CAD)的公认诊断工具,具有持续较高的灵敏度和阴性预测值[1–3]。然而,其在提示狭窄功能意义方面的特异性有限[2, 3]。有创血流储备分数(FFR)目前是提示冠状动脉狭窄功能意义并指导治疗的参考标准[4]。然而,由于其为有创性且成本高昂,有创FFR在临床实践中的应用受到限制,寻找一种能够确定狭窄功能意义的无创方法的研究仍在继续。

为解决CCTA特异性有限的问题,已开发出新技术以无创方式获取狭窄功能意义的信息。基于CT推导的FFR(FFRct)是一种新兴方法,已显示出有前景的结果[5–7]。通过模拟冠状动脉中的血流和压力,可获得虚拟FFR值。更近期,通过分析静息CT的心肌灌注已获得有前景的结果[8–16]。尽管众所周知灌注缺损在充血条件下更为明显[17, 18],但既往研究已表明仅使用静息CCTA识别功能性显著冠状动脉狭窄患者的可行性和准确性[8–13]。通过这些方法,无需额外的负荷灌注采集即可获得功能信息,从而节省辐射和对比剂剂量、降低风险,并缩短检查时间和降低成本。在近期研究中,已提出利用机器学习的方法,对静息CCTA中的左心室心肌(LVM)进行分析,并用于根据功能性显著冠状动脉狭窄的存在对患者进行分类[8, 9, 13]。

在经典机器学习中,描述LVM的判别特征(如低衰减和心肌壁厚度变化)由专家手动设计。随后,这些特征被用于构建的算法中,以根据功能性显著冠状动脉狭窄的存在对患者进行分类[8, 9]。与使用专家工程化图像特征的方法不同,我们最近提出了一种深度学习(DL)算法,其中区分有无功能性显著冠状动脉狭窄患者的LVM特征由算法直接从图像中独立学习[13]。本研究扩展了我们此前的工作[13],将CCTA视觉狭窄分级与仅对中等程度狭窄应用基于DL的分析相结合。与经典的基于机器学习的方法不同,DL算法能够独立学习通用且复杂的LVM模式,并可能对功能性显著狭窄引起的LVM变化更为敏感[19, 20]。

因此,本研究的目的是评估静息CCTA LVM深度学习分析相较于仅评估冠状动脉DS在识别功能性显著冠状动脉狭窄患者方面的附加价值。

材料与方法

研究设计与人群

这是一项单中心、回顾性、观察性研究。2012年至2016年间,连续选取了136例在侵入性FFR测量前1年内接受CCTA的患者。当自动左心室心肌(LVM)分割失败或重要部分未分割或分割不正确时,按照Abadi等人[21]定义的分级标准,患者被排除(n = 10)。这是唯一用于间接排除图像质量差、对比剂不理想、运动伪影或任何其他伪影扫描的排除标准。未应用进一步的纳入或排除标准。本研究经荷兰乌得勒支大学医学中心当地机构审查委员会批准(方案编号15/608)。机构审查委员会豁免了知情同意的要求,因为本研究基于已可用的影像数据进行。

CCTA图像采集

所有患者均在256层CT系统上进行CCTA,准直为128 × 0.625 mm(Brilliance iCT,Philips Healthcare)。根据心血管计算机断层扫描学会指南[22],给予β受体阻滞剂和/或硝酸甘油以目标心率达到60次/分钟(bpm)。患者采用心电图触发的步进-曝光协议(≤ 60 bpm)或回顾性心电图门控螺旋协议(心率 > 60 bpm)进行成像。静脉注射对比剂(70–80 mL)(碘普罗胺,Ultravist 300,Bayer Healthcare),随后注射30%对比剂和70%生理盐水的混合液(60–67 mL),再注射生理盐水(30–40 mL),流速为6(< 80 kg)或6.7 mL/s(≥ 80 kg)。采用团注跟踪技术,延迟7秒进行采集(步进-曝光的阈值为100 HU,螺旋为200 HU)。对于步进-曝光,图像在R-R间期的78%处采集,旋转时间为0.27 s。根据体重依赖的管电压和相应电流分别为80、100或120 kVp和195、210和210 mAs,分别用于体重< 50 kg、50–80 kg和> 80 kg的患者。对于螺旋扫描,使用心率依赖的螺距(0.16–0.18)和旋转时间(0.27–0.33)。体重依赖的管电压和相应管电流分别为100、120或120 kVp和600、600和700 mAs,用于体重< 65 kg、65–80 kg和> 80 kg的患者。选择在R-R间期75%处采集的图像进行进一步分析。对于两种协议,轴向图像以0.9 mm层厚、0.45 mm增量使用迭代重建(iDose4,Philips Healthcare)进行重建。每支冠状动脉的最大DS由两名观察者共识视觉评分,并根据专门指南[23, 24]分类为0%、1–24%、25–49%、50–69%和≥ 70%或无法诊断。

侵入性冠状动脉造影和FFR

所有患者均按照标准临床指南接受有创冠状动脉造影(ICA)和血流储备分数(FFR)检查。当临床认为有指征时,在冠状动脉中进行FFR测量。测量在腺苷诱导的充血状态下进行(以140 μg/kg持续静脉输注),并使用冠状动脉压力导丝(Pressure™ Certus™ Wire,St. Jude Medical)在目标血管中尽可能远端测量FFR。FFR值通过将狭窄远端测得的压力除以引导导管水平测得的压力(以mmHg为单位)自动计算得出。若FFR ≤ 0.80,则认为狭窄具有显著性。对于ICA显示重度冠状动脉狭窄(直径狭窄率≥ 90%)的血管,未进行有创FFR测量,但仅根据直径狭窄率即认定狭窄具有显著性[25]。因此,在以患者为单位评估缺血时,采用有意义的FFR(≤ 0.8)或ICA显示的重度狭窄(直径狭窄率≥ 90%)来提示存在功能性显著狭窄(图1)。

图1 以患者为单位提示缺血的流程图。CCTA,冠状动脉计算机断层扫描血管造影;FFR,血流储备分数;ICA,有创冠状动脉造影;LVM,左心室心肌;n,患者数量 查看原图 ↗

CCTA与基于深度学习的图像分析

为评估将左心室心肌(LVM)深度学习(DL)分析加入狭窄程度(DS)评估后的诊断性能,根据冠状动脉CT血管成像(CCTA)上冠状动脉狭窄的最高程度将患者分为三组(第1组,DS ≤ 24%;第2组,DS 25–69%;第3组,DS ≥ 70%)。CCTA上DS ≤ 24%的患者(n = 10)被认为无显著狭窄,CCTA上DS ≥ 70%的患者(n = 15)被认为有显著狭窄。CCTA上存在中等程度狭窄的患者(DS 25–69%,n = 101)被转诊接受LVM的全自动DL分析,以提示是否存在功能学显著狭窄(图2)。采用DL方法,使用Zreik等人[13]所述方法对静息态CCTA图像进行自动分析。先前的方法学研究[13]侧重于DL算法的开发,同时评估不同构建模块的效果。本临床研究从两方面扩展并验证了先前的研究。第一,采用临床相关性更强的参考标准在患者水平上提示功能学显著狭窄:即显著的FFR(≤ 0.8)或ICA上的高级别狭窄(DS ≥ 90%)。第二,采用CCTA视觉狭窄分级与仅对中等程度狭窄应用基于DL的分析相结合的方法。通过这种方式,DL方法可仅在这一最具挑战性的中等狭窄患者亚组中进行训练和评估。DL方法的完整描述可见于其他文献[13];图解摘要见图3,关于特征提取的更详细描述见补充图1。首先,使用多尺度卷积神经网络在所有CT层面上自动分割LVM(图4)。随后,通过卷积自编码器以无监督方式由算法对所有CT层面上的LVM进行表征(编码)。利用这些编码(其可能包含有关形状、纹理、对比增强等信息),提取特征以将整个LVM表示为一个体积。基于这些特征,使用支持向量机分类器根据是否存在功能学显著冠状动脉狭窄对患者进行分类。在本研究中,DL方法在中等狭窄患者亚组(n = 101)中进行了训练和验证,使用有创测量的FFR ≤ 0.80或血管造影上的高级别狭窄(DS ≥ 90%)作为存在功能学显著狭窄的指标。所有中等狭窄患者(n = 101)均在10折分层交叉验证实验中进行了分类。对于每次10折交叉验证,数据集被分为十个分层子集,其中一个子集用作验证集,其余九个子集用于训练。该过程重复十次,每个子集均被用作验证集一次。为评估该方法的稳健性,10折交叉验证重复了50次,每次重复后对数据进行随机化。为能够在全部患者集上评估联合方法(DS及中等狭窄上的LVM DL),根据CCTA上的DS判定为无显著狭窄(DS ≤ 24%)和显著狭窄(DS ≥ 70%)的患者分别被赋予0和1的概率值。对于中等狭窄患者,采用每次交叉验证实验中LVM DL模型的输出概率。

图2 基于患者分析流程图。CCTA,冠状动脉计算机断层扫描血管造影;n,患者数量 查看原图 ↗
图3 所采用深度学习方法的图形摘要。所述深度学习方法包括三个阶段。首先(1),使用多尺度卷积神经网络(CNN)自动分割左心室心肌(LVM)。多尺度CNN包括两个相同的流;每个流分析一组三平面输入图像块,这些图像块以单一尺度(黑色和红色方块)从轴位、冠状位和矢状位图像切片中提取,目标体素位于其中心。每组图像块经卷积(conv)、最大池化(MP)和全连接(FC)层组合处理。最终,单体素被分类为心肌或背景。此过程在所有CT切片上执行以分割整个心肌。所有LVM体素在下一阶段进行分析。第二(2),通过使用卷积自编码器(CAE)以无监督方式由算法在所有CT切片上对LVM进行特征表征(编码)。CAE包含两部分,编码器和解码器。编码器通过卷积和最大池化层将数据压缩至低维表示。解码器通过反卷积(deconv)和上采样(US)层将压缩形式扩展以重建输入数据。为表征整个LVM,使用所有LVM体素(在所有CT切片上)编码的统计量作为特征。第三(3),基于提取的特征,使用支持向量机(SVM)将患者分类为有或无功能性显著冠状动脉狭窄。BG,背景;CAE,卷积自编码器;CCTA,冠状动脉计算机断层扫描血管造影;CNN,卷积神经网络;conv,卷积;deconv,反卷积;FC,全连接;LVM,左心室心肌;MP,最大池化;SVM,支持向量机;US,上采样 查看原图 ↗
图4 全自动左心室心肌分割示例。三名随机选择患者(1、2和3)的冠状动脉CTA图像。对于每位患者,左列(a)显示常规图像,右列(b)显示全自动LVM分割叠加图。使用多尺度卷积神经网络在所有CT切片上自动分割LVM。对于每位患者,展示一个轴位切片(上)、一个冠状位切片(中)和一个矢状位切片(下)的示例。LVM,左心室心肌 查看原图 ↗

统计分析

评估所提出方法(DS评估结合CCTA上中等狭窄患者的LVM深度学习分析)在患者层面上预测功能性显著狭窄存在的诊断性能,并与单独DS评估的诊断性能进行比较。诊断性能使用准确率、灵敏度、特异度、阴性预测值、阳性预测值和受试者工作特征曲线下面积(AUC)进行评估。对于DS结合DL分析的评估,在所有50次交叉验证实验中评估诊断性能,并使用平均值±标准差(SD)表示诊断性能。对于单独DS,诊断性能以95%置信区间(CI)表示。由于既往事件和干预可能影响纹理变化,在排除有既往事件和干预(既往心肌梗死(MI)、既往PCI和/或既往CABG,n=23)的患者后进行了额外的敏感性分析。使用Shapiro-Wilk检验评估数据的正态性。除非另有说明,连续值以平均值及SD列出,分类值以百分比列出。p值<0.05用于表示统计学显著性。使用IBM SPSS 21.0版(IBM corp.)和MedCalc统计软件17.7.2版(MedCalc Software BVBA)进行统计分析。

结果

患者特征

共有136名患者符合条件,其中10名因自动LVM分割不正确或失败而被排除。最终研究人群包括126名患者(77%为男性,平均年龄59±9岁)。基线特征列于表1。

表1 患者特征 查看原表 ↗

有创冠状动脉造影和FFR

CCTA与有创FFR之间的中位天数(IQR)为33(40)。81名患者(81/126,64%)存在功能性显著狭窄,其中69名患者(69/81,85%)的FFR≤0.80。在其余12名患者(12/81,15%)中,最低FFR值>0.80,且另一支冠状动脉存在ICA上的高级别狭窄(≥90% DS)(图1)。患者个体层面的疾病严重程度分布如图5所示。

图5 每位患者最低FFR值的分布(n=126)。在患者层面上评估缺血,FFR≤0.8或血管造影高级别狭窄(≥90% DS)用于指示功能性显著狭窄的存在。每位患者描绘最低FFR值,除非该值涉及FFR>0.8且另一支血管存在ICA上的高级别狭窄(≥90% DS),则将其记为“ICA上的高级别狭窄”,且不描绘该患者的FFR值。DS,狭窄程度;FFR,血流储备分数;ICA,有创冠状动脉造影 查看原图 ↗

CCTA上的狭窄程度

患者层面最大DS为0%、1–24%、25–49%、50–69%和≥70%的患者分别有2、8、10、91和15名。在20名患者中,至少一个节段被评分为不可诊断,其中18名患者在另一节段有显著狭窄(≥50% DS)。在其余两名患者中,另一节段的最大DS为25–49%,且存在PCI。

诊断性能

仅通过评估DS来分析指示功能性显著狭窄的诊断性能为中等,AUC为0.68(95%CI 0.59–0.76)(图6)。当应用≥ 50% DS的阈值来指示狭窄的功能显著性时,敏感性为92.6%(95%CI 84.6–97.2%),特异性为31.1%(95%CI 18.2–46.6%)。将阈值改变为更低或更高的DS会导致敏感性和特异性发生相应变化(表2)。在十名患者(10/126,8%)中,CCTA时的最大DS ≤ 24%(图2)。在所有这些患者中,FFR均高于0.8(平均值 ± 标准差;0.89 ± 0.05),且ICA上不存在高级别狭窄。十五名患者(15/126,12%)在CCTA时DS ≥ 70%,其中14名患者(14/15,93%)FFR ≤ 0.8或ICA上存在高级别狭窄。在一例中,FFR为0.82,且ICA上不存在高级别狭窄。其余101名在CCTA时DS为中等的患者接受了LVM DL分析。基于CCTA的DS(≤ 24%和≥ 70%)与对中等狭窄(25–69%)进行LVM DL分析相结合的分类,与仅基于CCTA的DS的分类(AUC = 0.68 [95%CI 0.59–0.76])相比,改善了判别能力(AUC = 0.76 ± 0.02)(图6)。与仅基于CCTA的DS(≥ 50% DS指示功能性显著狭窄)的特异性31.1%(95%CI 18.2–46.6%)和敏感性92.6%(95%CI 84.6–97.2%)相比,联合方法的特异性增加至48.4 ± 0.04%,但敏感性略有下降(84.6 ± 0.03%)(表2)。为评估DL方法在不同患者队列中应用的稳健性,将DL分析应用于完整队列(n = 126),并与仅对中等狭窄的DL分析(n = 101)进行比较(补充图2)。

图6 受试者工作特征曲线。DS以及CCTA上DL联合DS在患者水平预测功能性显著狭窄的诊断性能。对于联合方法,ROC曲线和AUC描述为50次交叉验证实验的平均值 ± 标准差。AUC,受试者工作特征曲线下面积;CCTA,冠状动脉计算机断层扫描血管造影;DL,深度学习;DS,狭窄程度;LVM,左心室心肌;ROC,受试者工作特征 查看原图 ↗
表2 诊断性能 查看原表 ↗

无既往MI、PCI或CABG患者的诊断性能(n = 103)

在八名患者(8/103,8%)中,CCTA时的最大DS ≤ 24%,在12名患者(12/103,12%)中,最大DS ≥ 70%。DL应用于中等狭窄(n = 83)。在该亚组分析中,联合方法与单独评估DS(AUC = 0.67 [95%CI 0.57–0.76])相比也显示出改善的判别能力(AUC = 0.77 ± 0.02)(补充图3)。其他诊断性能指标也与全样本结果相当(补充表1)。

讨论

在本研究中,我们旨在评估静息CCTA LVM深度学习分析相对于仅冠状动脉DS评估在识别功能性显著冠状动脉狭窄患者方面的附加价值。我们证明,与单独评估DS相比,将DS与中等程度冠状动脉狭窄中LVM的DL分析相结合提高了CCTA的特异性。

通过CCTA对DS的视觉测定是一种高度敏感且成熟的诊断工具,用于评估疑似冠状动脉源性胸痛的患者。然而,CCTA目前在识别冠状动脉狭窄的功能意义方面缺乏特异性[1, 2]。采用随后进行功能测试(例如负荷心肌灌注成像)的分层方法可以减少接受ICA的患者数量[26]。然而,这种方法要求在决定PCI必要性之前进行额外的诊断测试。在此,我们提出将DS评估与LVM DL分析相结合以提高CCTA的特异性。联合评估有可能避免额外检查,因为分析是在已获取的CCTA图像上进行的。

对静息CCTA上LVM的分析此前已有研究。两项研究评估了静息双能CT检测经ICA确认≥ 50%狭窄所证实的灌注缺损[15, 16]。他们发现,与仅基于CCTA的≥ 50% DS(分别为82–98%和88–91%)相比,敏感性略有降低(79–90%),特异性有所提高(86–92%)。Osawa等[10]从回顾性ECG触发静息扫描的所有心动周期中肉眼评估LVM的灌注,并将结果与有创FFR测量进行比较。通过将该LVM分析与DS相结合,他们发现其相对于单独CCTA(AUC = 0.71)具有增量价值(AUC = 0.82),这与我们的研究一致。在最近两项研究中,描述了使用专家设计特征对功能显著狭窄患者进行分类的机器学习方法[8, 9]。Xiong等[8]发现其对灌注缺损的检测具有良好的判别能力(最大AUC = 0.73)。然而,在该研究中,使用ICA上≥ 50% DS的狭窄程度作为参考[8],且未进行FFR,因此无法与我们的结果进行直接比较。Han等[9]使用FFR作为参考,并描述其算法与DS评估相结合相对于单独DS(AUC = 0.68)显示出附加价值(AUC = 0.75)[9],这与本研究的发现密切一致。然而,在Han等[9]研究的受试者中,中等DS患者占少数(33%,82/252),而本研究以中等狭窄为主(80%,101/126),并完全聚焦于DL在这一最具挑战性患者类别中的附加价值。

FFRct 是另一种在静息 CCTA 上执行的技术,在评估功能性显著狭窄方面已显示出有前景的结果(AUC = 0.79–0.93)[5–7]。然而,FFRct 依赖于管腔分割,这在高密度钙化斑块、运动或错位伪影和/或既往 CABG 或 PCI 的患者中可能具有挑战性或不可能完成 [5–7]。我们提出的方法可能受这些挑战的影响较小,因为中间狭窄的分析仅在 LV 心肌上进行。本研究的结果强调了在寻求提高 CCTA 特异性的过程中需要超越冠状动脉。Cook 等人 [27] 最近的一项系统综述发现,FFRct 在切点附近(0.7–0.8)的 FFRct 值时诊断性能较低。此外,生理性中间病变(有创 FFR 0.7–0.8)的患者仅占所有研究患者的少数(12.8%),中位 FFR 为 0.88,表明关注的是病情较轻的患者。在当前研究中,生理性中间病变的患者数量几乎为其三倍(36.5%,46/126),中位 FFR 为 0.78,表明是病变更重的人群。这支持了以下观点:对心肌进行额外分析的价值可能在中间狭窄患者中最高。然而,本研究的一个局限性是结果仅在患者基础上可用;因此,无法指出哪个狭窄具有功能显著性,而 FFRct 有能力在血管基础上评估狭窄的功能显著性。使用两种技术的联合方法可能会进一步提高识别 CCTA 中间程度狭窄患者中限流病变的特异性。

DL 算法能够直接从图像中学习新的复杂模式和关系,而无需预先指定哪些图像特征代表疾病的存在。因此,DL 可能对功能性显著狭窄引起的 LVM 细微变化更敏感,而这些变化可能难以被人观察者检测到 [19, 20]。尽管深度学习技术在许多医学图像分析任务中表现出色,但其可解释性非常有限,我们尚未完全理解其内部工作机制 [19, 28]。在本工作中也是如此,即使提取的编码在表示 LVM 方面是相关的(补充图 1),它们也不易于解释。由于编码的不同组合代表不同的 LVM 外观(例如,正常 vs. 薄),特定编码并不对应于特定的物理外观。这阻碍了我们解释、可视化和定位显著狭窄患者 LVM 内的差异。未来的工作可能会解决这些局限性 [19, 28]。

本研究存在局限性。首先,必须考虑到回顾性单中心研究设计。由于CT可能是转诊进行有创FFR的原因,这可能导致选择偏倚。此外,由于这种偏倚,研究组由Agatston评分高、狭窄患病率高且以中度狭窄为主(n = 101/126)的广泛性CAD患者组成。由于开花效应,已知钙化斑块会导致DS高估,从而降低特异性[29]。此外,如既往研究[2, 3]所报道,CCTA上的DS对低级别和高级别狭窄(≤ 24%和≥ 70%)显示出高诊断准确性,而在评估中度狭窄(25–69%)时准确性下降。这反映在本研究中仅基于CCTA的DS特异性较低(31.1%),而文献报道为(40–83%)[1–3]。其次,每条冠状动脉的最大DS为视觉分类,未进行连续定量测量。尽管连续定量测量可以更准确地评估DS的诊断准确性,但该方法在临床实践中并非常规进行,因此本研究未采用。第三,在本研究中,未与其他类型的功能评估进行比较(例如,FFRct或心肌灌注的视觉评估),从而限制了评估当前方法相对于其他可用方法的附加价值。第四,我们使用了单一厂商的设备,因此结果可能仅限于该厂商。最后一个局限性是患者队列相对较小且数据集不平衡,这可能在性能中引入偏倚。尽管我们进行了50次重复的10折交叉验证实验,每次重复后随机化,但结果仍可能部分受到偶然发现的影响。需要在独立的患者队列以及前瞻性研究中进行分析,以评估所发现的相关性是否也意味着因果关系。未来工作将解决这些局限性。

总之,将狭窄程度的评估与LVM的DL分析相结合,可能改善识别功能显著性冠状动脉狭窄患者的诊断性能。未来有必要进行研究,以在梗阻性冠状动脉疾病预检概率低的患者中评估该方法,此类患者在CCTA中更为常见。

电子补充材料

补充图1(DOCX 590 kb)

(DOCX 181 kb)

(DOCX 116 kb)

(DOCX 14 kb)

引用

  1. van Hamersvelt RW, Zreik M, Voskuil M, et al. Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis. Eur Radiol. 2018. PMID: 30421020. doi:10.1007/s00330-018-5822-3
  2. 全文:PMC6443613(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6443613/

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。