机器学习CT-FFR在肝移植术前评估患者中诊断冠状动脉狭窄的准确性
该回顾性研究纳入201例肝移植术前评估患者,对CCTA疑似显著狭窄者计算机器学习CT-FFR并以ICA为参考标准。CT-FFR≤0.80判定血流动力学显著狭窄,敏感度71%、特异度90%、NPV 91%、诊断准确率85%。作者认为CT-FFR似乎是有前景的无创方法,可能有助于减少有创冠状动脉造影。
要点
- CT-FFR≤0.80判定血流动力学显著狭窄时,特异度90%、NPV 91%,适合排除显著狭窄。
- 在CCTA疑似显著狭窄的病变中,69%(52/75)经CT-FFR正确排除血流动力学显著性。
- 74例拟行CT-FFR的患者中7例(10%)因运动伪影、钙化、对比剂不足等无法评估。
核心结论
- 基于机器学习的CT-FFR似乎是很有前景的无创方法,可用于排除肝移植评估患者冠状动脉狭窄的血流动力学显著性,并可能有助于减少该高危人群的有创冠状动脉造影率。
研究设计与样本
- 回顾性研究,2017年9月至2020年3月在本机构纳入201例肝移植术前评估患者,其中67例、75处病变进入最终分析。
- CCTA采用第三代双源384层CT(SOMATOM Force,Siemens Healthineers),管电压90 kV,参考管电流300 mAs,回顾性心电门控螺旋采集。
- CT-FFR采用基于机器学习的算法(syngo.via Frontier上的CT-FFR原型版本3.2,Siemens Healthineers)在工作站本地计算。
- 参考标准为有创冠状动脉造影,对QCA目测狭窄>50%且<80%的病变加测iFFR或iFR。
- CT-FFR值在狭窄远端1–2 cm处测量,CCTA与ICA间隔1–4周。
关键影像表现/征象
- 201例中127例(63%)经CCTA排除阻塞性CAD,其余74例(37%)疑似至少一处显著狭窄。
- 75处病变中57处(76%)CT-FFR>0.80判为血流动力学不显著,其中52处(91%)经ICA确认。
- 18处病变(24%)CT-FFR≤0.80判为血流动力学显著,其中12处(67%)经ICA确认。
- 图2示50岁男性RCA狭窄(狭窄处管腔4.5 mm2),CT-FFR 0.87,ICA iFR 0.97确认不显著。
- 图3示61岁女性LAD狭窄(狭窄处管腔4.2 mm2),CT-FFR 0.43,ICA iFR 0.7确认显著。
诊断标准与关键数值
- CCTA狭窄≥50%视为显著,狭窄分级参照SCCT冠状动脉CT血管成像解读与报告指南。
- CT-FFR≤0.80定义为血流动力学显著狭窄。
- 以ICA为参考,CT-FFR诊断血流动力学显著狭窄的敏感度71%(95%CI 49–92%)、特异度90%(95%CI 82–98%)、PPV 67%(95%CI 45–88%)、NPV 91%(95%CI 84–99%)、诊断准确率85%(95%CI 85–86%)。
- ICA中iFFR≤0.80、iFR≤0.90视为血流动力学显著。
临床应用与阅片要点
- 本研究中心对肝移植候选者的心脏评估流程为:所有>50岁或满足至少2项危险因素(BMI≥35 kg/m2、吸烟、糖尿病、冠状动脉血运重建史、卒中史)者进一步心脏评估。
- 本研究中心对已知CAD者以ICA为标准评估;CAD低至中度可能或ICA禁忌者行CCTA排除CAD,结果阴性则不再行ICA;疑似冠状动脉狭窄者行有创心导管进一步评估。
- 本研究中心CT-FFR计算速度尤其取决于图像质量,图像质量优时无需对自动中心线和血管轮廓作相关校正,图像质量不佳(尤其搏动伪影)时需手动校正。
- 作者认为,CT-FFR的本地解决方案优点是结果快速可得,但需额外后处理并核查、必要时校正自动生成的中心线和血管轮廓,增加个人工作量。
局限性
- 肝移植评估患者是合并症多的非常特定人群,且部分候选者可能在行CCTA前因各种原因被排除,结果不能也不应轻易外推至其他人群,可能存在纳入偏倚。
- 已知CAD或CAD高度可能者在本中心主要直接行ICA,未接受CCTA,未纳入本研究。
- 并非所有接受ICA的患者都测量了iFFR或iFR,多数患者仅凭目测分析确认或排除血流动力学显著狭窄。
- 本研究在QCA目测不足以判定血流动力学显著性时同时使用iFFR和iFR,近年本机构iFFR已基本被iFR取代,但受招募期影响两种方法均被使用,仅2例患者使用了iFFR,可能导致结果可重复性有限。
全文中译8 节 · 点击展开
引言
肝移植(LT)与心血管系统的高应激状态相关;心血管并发症可发生于术中、移植后早期或随访后期[1, 2]。由于肝移植候选者中冠状动脉疾病(CAD)的患病率相对较高[3],在许多移植中心,侵入性冠状动脉造影(ICA)已成为术前筛查过程中用于排除冠状动脉疾病的标准检查,适用于风险较高的患者。虽然ICA是排除CAD和量化冠状动脉狭窄的标准参考方法,例如通过评估血流储备分数(FFR)[4],但该方法的主要缺点是其侵入性及相关的风险[5]。冠状动脉计算机断层扫描血管造影(CCTA)是一种替代的非侵入性方法,用于在CAD临床可能性较低或存在ICA禁忌证的患者中排除冠状动脉疾病[6, 7]。然而,CCTA主要提供冠状动脉的解剖和形态学信息,无法可靠预测冠状动脉病变的血流动力学意义[8]。此外,已知CCTA会高估冠状动脉病变的功能严重程度[8]。一种相对较新的无创量化冠状动脉狭窄的方法是所谓的计算机断层扫描衍生FFR(CT-FFR)[9–12]。在此方法中,FFR利用计算流体力学(CFD)或机器学习算法从CCTA数据集计算得出。
我们研究的目的是评估CT-FFR的评估是否能够区分接受LT评估的患者中血流动力学显著和不显著的冠状动脉狭窄。
材料与方法
研究人群与CCTA成像
本回顾性研究经机构审查委员会批准,并获得知情同意的豁免(21-10191-BO)。
2017年9月至2020年3月期间,共有201名患者(128名男性(64%),中位年龄57岁,平均年龄57.4 ± 8.9岁,范围18–87岁,见表1)在我机构接受了CCTA检查,用于LT的术前筛查。
CCTA使用第三代双源384层CT扫描仪(SOMATOM Force,Siemens Healthineers)进行。心率超过65次/分的患者静脉给予最多20 mg美托洛尔。此外,所有患者均接受两喷硝酸甘油喷雾(0.8 mg硝酸甘油)。在CCTA之前,进行非增强扫描以确定冠状动脉钙化积分。对于CCTA,以6 ml/s的注射速率注射70 ml含碘对比剂团注(Ultravist 300,Bayer Vital GmbH),随后以相同注射速率注射20 ml生理盐水冲管。数据采集采用回顾性心电门控螺旋采集并联合管电流调制,靶向R-R间期的70–80%相位及舒张中期相位。对于心率高于65次/分的患者,靶向R-R间期的50–80%相位。检查以300 mAs和90 kV为参考进行。为出具报告,常规进行以R-R间期5%为步进、层厚0.75 mm的多期重建,并归档至PACS(GE Healthcare GmbH)。CCTA检查由两名放射科医师——一名住院医师和一名具有15年以上经验的委员会认证心血管放射科医师——使用标准化流程进行评估。在评估钙化积分(Agatston积分)后,借助轴位数据集和多平面重建以及3D成像,对各冠状动脉血管进行视觉形态学分析,以评估可能的冠状动脉异常以及冠状动脉斑块和狭窄的存在。后处理使用syngo.via软件(Siemens Healthineers)完成。冠状动脉狭窄根据SCCT冠状动脉CT血管造影解读与报告指南进行分级[13],狭窄≥ 50 %被视为有显著意义。
基于机器学习的CT-FFR计算
基于机器学习的CT-FFR计算由一名具有3年心血管放射学经验的放射科医师使用基于工作站的现场解决方案(syngo.via Frontier上的CT-FFR原型版本3.2,Siemens Healthineers)完成。
由Siemens Healthineers训练的基于机器学习的算法已由Itu等[14]详细描述:生成了12,000个合成冠状动脉几何模型,对其中每一个均使用降阶计算血流模型计算整个冠状动脉树的CT-FFR。随后,使用深度神经网络(含四个隐藏层)以其中10,000个数据集对该基于机器学习的算法进行训练,并使用其余2,000个数据集对结果进行验证。
进行CT-FFR分析的放射科医师对ICA结果设盲。加载CCTA数据后,半自动生成每条冠状动脉的中心线。必要时进行手动调整以校正中心线。下一步,软件半自动勾画冠状动脉管腔轮廓。必要时进行手动调整以校正管腔轮廓。确认中心线和管腔轮廓后,手动定义冠状动脉血管的狭窄区域。工作流程的最后一步是基于分割的冠状动脉树模型自动计算CT-FFR值。CT-FFR值以升主动脉和冠状动脉的容积渲染技术图像形式可视化,并以彩色表示CT-FFR值。通过将鼠标悬停在冠状动脉树上,可显示特定位置的CT-FFR值并保存以供进一步分析。在本研究中,CT-FFR值在狭窄远端1–2 cm处测量。
有创导管血管造影伴FFR/iFR测量
ICA由一位经验丰富、获得委员会认证的心脏病专家按照当地标准经桡动脉或股动脉途径进行,包括选择性冠状动脉插管。CCTA与ICA之间的时间间隔为1至4周。冠状动脉狭窄程度通过定量冠状动脉造影(QCA)目测评估确定。除目测分析外,对于血流动力学意义不明确的冠状动脉病变(定义为QCA示冠状动脉狭窄> 50%且< 80%),测定了血流储备分数(iFFR)或瞬时无波形比率(iFR)。在iFFR的情况下,使用腺苷作为充血剂。iFFR值≤ 0.80和iFR值≤ 0.90被认为具有血流动力学意义。
统计分析
统计分析包括敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)和诊断准确性的确定,使用软件R 4.1.0版(R Foundation for Statistical Computing)和软件Microsoft Office 365 Excel(Microsoft Corporation)完成。
结果
所有患者的平均Agatston评分为367 ± 882(中位评分22,范围0–7752)。201例患者中有127例(63%)经CCTA排除了阻塞性CAD。其余74例患者(37%)中,CCTA怀疑至少存在一处显著狭窄;在这些患者中,额外测量了CT-FFR并进行了ICA,以进一步评估CCTA发现的冠状动脉病变。
在计划计算CT-FFR的74例患者中,有7例(10%)无法通过基于机器学习的算法进行评估,原因如下:(1)未识别出冠状动脉开口,最可能是由于运动伪影所致;(2)外周冠状动脉对比剂充盈不足,被算法错误评估为完全闭塞;(3)静脉重叠导致冠状动脉识别错误;(4)严重冠状动脉钙化导致中轴线检测不充分;(5)冠状动脉对比剂充盈不足导致其被错误检测;(6)右冠状动脉(RCA)开口重度狭窄导致后续血管被错误检测;(7)存在搏动伪影导致无法判读。因此,相应患者被排除出本研究。最终,共有67例患者(图1)共75处冠状动脉病变(表2)纳入研究分析。
在57处病变(76%)中,CT-FFR > 0.80(图4);因此,该冠状动脉狭窄被评定为“无血流动力学意义”。在这些病变中,52处(91%)经有创冠状动脉造影(ICA)证实;其中36处(69%)仅通过视觉分析证实,13处(25%)测定了iFFR,3处(6%)测定了iFR(图2)。因此,在69%的疑似冠状动脉狭窄病例(75处病变中的52处)中,CT-FFR额外分析正确排除了狭窄的血流动力学意义。在5处(9%)假阴性结果病变中,3例(60%)存在视觉上具有血流动力学意义的狭窄,另2处(40%)病变的狭窄血流动力学意义由iFFR确定。在18处病变(24%)中,CT-FFR ≤ 0.80;因此,该冠状动脉狭窄被评定为“具有血流动力学意义”。在这些病变中,12处(67%)经ICA证实;其中8处(67%)仅通过视觉分析证实,2处(17%)通过FFR证明具有血流动力学意义,2处(17%)通过iFR证明(图3)。在6处(33%)假阳性结果病变中,狭窄的血流动力学意义分别通过纯视觉分析(3例)和iFFR(3例)被排除。
当使用CT-FFR ≤ 0.80判定冠状动脉狭窄的血流动力学意义时(图4),敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)分别为71%(95%CI 49–92%)、90%(95%CI 82–98%)、67%(95%CI 45–88%)和91%(95%CI 84–99%)(表3)。诊断准确率为85%(95%CI 85–86%)。
讨论
在我们的肝移植中心,所有患者在移植评估期间都会接受心血管危险因素筛查。我们的肝移植候选者心脏检查方案包括以下项目:(1)BMI ≥ 35 kg/m2,(2)吸烟,(3)糖尿病(包括胰岛素依赖型和非胰岛素依赖型),(4)冠状动脉血运重建术后,(5)卒中后。所有年龄大于50岁的患者或至少符合上述2项危险因素的患者均接受进一步心脏评估。对于已知冠心病(CAD)的患者,使用有创冠状动脉造影(ICA)作为参考标准进行检查。CAD可能性低至中等或存在ICA禁忌证的患者接受冠状动脉CT血管造影(CCTA)以排除冠状动脉疾病。如果结果为阴性,则认为无需进一步行ICA评估。怀疑冠状动脉狭窄的患者接受有创心导管检查以进一步评估。虽然肝移植前通过ICA进一步评估多支冠状动脉病变似乎是合适的,但减少对存在中等程度但最终血流动力学无显著意义冠状动脉狭窄患者的有创评估将是可取的。在ICA中,存在不同技术可用于量化血流动力学显著的狭窄。例如,分数血流储备(iFFR)或瞬时无波形比率(iFR)可用于此目的。iFFR是一种基于压力导丝的指标,表示为冠状动脉狭窄远端压力与冠状动脉近端压力之比,使用充血剂以确保冠状动脉内可获得最大血流[15]。iFR是一种在舒张期特殊阶段(所谓无波形期)测量狭窄前后冠状动脉内压力的方法,因此不需要使用充血剂[15]。对于冠状动脉的无创成像,商业厂商多年来已允许利用计算流体动力学(CFD)建模从CCTA数据集计算计算机分数血流储备(CT-FFR)。研究表明,与作为参考标准的有创测定的FFR(iFFR)相比,CFD-CT-FFR在诊断血流动力学显著CAD方面具有高诊断准确性[16]。然而,这种基于CFD建模的方法的缺点是计算成本高,目前许多机构无法将其作为现场解决方案提供。因此,目前该技术尚不可能提供一种具有成本效益且可快速获得的现场解决方案,用于从CCTA数据集测定CFD-CT-FFR。由于这些局限性,几个研究组最近探索了使用机器学习算法从CCTA数据集计算CT-FFR(CT-FFR)。本研究使用的基于机器学习的算法已在其他几项研究中与iFFR测量的金标准进行比较[17, 18],显示CCTA在检测血流动力学显著冠状动脉狭窄方面的信息价值显著提高。
在我们的研究中,高特异性和高阴性预测值(NPV)表明CT-FFR非常适合正确识别中等/无血流动力学意义的冠状动脉狭窄。在我们约70%的病例中,最初通过视觉评估CCTA数据集判定为高级别狭窄的病变,在使用CT-FFR算法进行针对性分析后被评定为血流动力学非显著,并得到了有创冠状动脉造影(ICA)的证实。因此,未来额外使用CT-FFR可能使得相当比例的患者可以免于ICA。
CT-FFR现场计算解决方案的其他优势包括结果可快速获得以及获得结果所需时间短。在我们的研究中,评估所需时间未单独记录,但其他研究评估了使用我们同样使用的算法所需的评估时间;Hu等[18]单次CT-FFR评估平均需要18 ± 7(12–30)分钟,该时长与作者的个人经验基本一致。在我们的研究中,CT-FFR计算速度尤其取决于图像质量。如果图像质量极佳(无运动、呼吸或搏动伪影,且冠状动脉对比良好),则无需对自动检测的中心线或血管轮廓进行相关校正。然而,如果图像质量不理想(特别是在我们的部分病例中搏动伪影无法完全避免),某些情况下需要对中心线或血管轮廓进行手动校正。对某些使用者而言,一个可能的劣势是额外的个人工作量:CT-FFR的计算需要对CCTA数据进行额外的后处理,特别是检查和(必要时)校正自动生成的中心线和血管轮廓需要额外时间。相比之下,通过商业供应商计算CFD-CT-FFR对使用者而言所需的个人工作量较少。
我们的结果与其他研究组的结果一致,这些研究在不同患者群体中将CT-FFR与有创测量的瞬时无波形比值(iFFR)金标准进行了比较:Coenen等[17]在一项大规模多中心研究中表明,CT-FFR有助于正确分类血流动力学非显著冠状动脉狭窄,且CT-FFR的表现与CFD-CT-FFR相当。此外,Coenen等[17]表明基于机器学习的算法受益于最佳图像质量。Hu等[18]也证明了CT-FFR在检测血流动力学显著冠状动脉狭窄方面具有高诊断准确性,以及CT-FFR与iFFR之间存在统计学显著的强相关性。
我们的研究存在若干局限性。第一,接受肝移植(LT)评估的患者是一个非常特殊的患者群体,合并多种疾病;此外,可能在接受冠状动脉CT血管成像(CCTA)以排除或确认冠状动脉疾病(CAD)之前,部分潜在候选者在LT评估过程中因各种原因被排除;该患者群体的发现和结果不能也不应轻易外推至其他人群,且可能存在纳入偏倚。第二,已知患有CAD或CAD高可能性的患者在我们中心主要接受了有创的侵入性冠状动脉造影(ICA)评估;他们未接受CCTA,未被纳入本研究。第三,并非所有接受ICA的患者都接受了iFFR或iFR测量;事实上,在大多数患者中,血流动力学显著的狭窄仅通过视觉分析即被确认或排除。第四,在本研究中,当使用定量冠状动脉造影(QCA)进行视觉分析不足以确定冠状动脉狭窄的血流动力学意义时,同时使用了iFFR和iFR。近年来,在我们机构iFFR已在很大程度上被iFR取代,但由于招募期的影响,本研究中共使用了两种方法,不过仅在2例患者中使用了iFFR。这可能导致结果的可重复性有限。
结论
基于机器学习的CT-FFR计算似乎是一种非常有前景的无创方法,用于在接受肝移植评估的患者中排除冠状动脉狭窄的血流动力学意义,并可能有助于降低这一高危人群中有创冠状动脉造影的使用率。
引用
- Schuessler M, Saner F, Al-Rashid F, et al. Diagnostic accuracy of coronary computed tomography angiography-derived fractional flow reserve (CT-FFR) in patients before liver transplantation using CT-FFR machine learning algorithm. Eur Radiol. 2022. PMID: 35729425. doi:10.1007/s00330-022-08921-1
- 全文:PMC9705488(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9705488/
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。