论文部分内容阅读
目的探讨人工智能技术(Artificial Intelligence,AI)解读冠状动脉CT血管成像(Coronary Computed Tomography Angiography,CCTA)对冠状动脉粥样硬化性狭窄的诊断效能。方法(1)收集内蒙古医科大学附属医院2018年1月至2019年9月期间在我院行CCTA检查,且2周内接受冠状动脉血管造影(Coronary Angiography,CAG)检查的病例,严格按照纳入和排除标准,共有90例病例纳入研究,其中男性58例,女性32例。(2)将所有纳入本研究病例的CCTA薄层图像推送至GE图像后处理工作站,由两位具有8年冠脉后处理及诊断经验的医师进行人工冠脉。AI图像处理及结果诊断和由数坤冠心病智能辅助诊断系统(Coronary Doc 1.0)的自动冠脉图像后处理及结果诊断,观察指标包括AI是否正确识别冠脉分支、两种方式后处理及诊断的总时间、狭窄部位程度及斑块性质,诊断结果分别作为“人工组”和“AI组”。由2位从事冠状动脉造影工作5年以上的心内科医师采用单盲法分别完成CAG结果分析(包括狭窄部位及程度),诊断结果作为“CAG组”。(3)比较AI和人工两种方式后处理CCTA及诊断的时效性。另外,以人工解读为参考,计算AI识别冠脉分支的准确性。(4)首先,以CAG组为“金标准”,基于冠脉节段数,分别计算AI和人工识别冠状动脉粥样硬化性狭窄及诊断冠心病的灵敏度、特异度、阴性预测值、阳性预测值及符合率。其次,分别比较AI组和CAG组、人工组和CAG组识别冠状动脉粥样硬化性狭窄及诊断冠心病的一致性,从而评价AI和人工两种方式分别在诊断冠状动脉粥样硬化性狭窄及冠心病中的诊断效能。(5)以人工组为参考,计算AI组识别冠状动脉粥样硬化性狭窄及诊断冠心病的灵敏度、特异度、阴性预测值、阳性预测值、符合率及Kappa值,评价与人工解读CCTA相比,AI诊断冠状动脉粥样硬化性狭窄及冠心病的诊断效能及一致性。(6)以人工组为参考,基于三种不同性质斑块(钙化性斑块、混合性斑块和非钙化性斑块)的数目,计算AI识别斑块总体的准确率以及三种类型斑块各自的准确率,比较AI组和人工组识别斑块性质的一致性,从而评估AI对斑块性质的诊断效能。结果(1)AI组和人工组对CCTA后处理及诊断总时间分别为317.94±60.44s、481.40±66.35s,t=21.815,以α=0.05为检验水准,差异具有统计学意义(P=0.000)。(2)在90例入组对象中,共有冠脉分支524支,AI识别标记错误的冠脉分支总数为13支,其准确率为97.52%(511/524)。(3)在90例入组对象中,人工组、AI组及CAG组各分析冠脉节段1062段,以CAG组为“金标准”,人工组正确诊断381段冠脉有狭窄中的357段,正确诊断235段冠脉显著狭窄(狭窄程度≥50%)中的213段,人工解读CCTA诊断冠状动脉粥样硬化性狭窄的灵敏度、特异度、阴性预测值、阳性预测值、符合率分别为93.70%(357/381)、94.13%(641/681)、96.39%(641/665)、89.92%(357/397)、93.97%(998/1062);人工诊断冠心病的灵敏度、特异度、阴性预测值、阳性预测值、符合率分别为90.64%(213/235)、97.10%(803/827)、97.33%(803/825)、89.87%(213/237)、95.67%(1016/1062)。人工组与CAG组诊断冠状动脉粥样硬化性狭窄和诊断冠心病均具有极好的一致性(Kappa值分别为0.870、0.875),且差异均无统计学意义(P值分别为0.060、0.883)。(4)以CAG组为“金标准”,AI组正确诊断381段冠脉有狭窄中的319段,正确诊断235段冠脉显著狭窄中的128段,AI解读CCTA诊断冠状动脉粥样硬化性狭窄的灵敏度、特异度、阴性预测值、阳性预测值、符合率分别为83.73%(319/381)、90.90%(619/681)、90.90%(619/681)、83.73%(319/381)、88.32%(938/1062);AI诊断冠心病的灵敏度、特异度、阴性预测值、阳性预测值、符合率分别为54.47%(128/235)、98.31%(813/827)、88.37%(813/920)、90.14%(128/142)、88.61%(941/1062)。AI组与CAG组诊断冠状动脉粥样硬化性狭窄的一致性好(Kappa=0.746),且差异无统计学意义(P=1.000);AI组与CAG组诊断冠心病的一致性也好(Kappa=0.615),两组差异有统计学意义(P=0.000)。(5)以人工组为参考,AI组正确诊断冠脉有狭窄节段397段中的340段,AI解读CCTA诊断冠状动脉粥样硬化性狭窄的灵敏度、特异度、阴性预测值、阳性预测值、符合率分别为85.64%(340/397)、93.83%(624/665)、91.63%(624/681)、89.24%(340/381)、90.77%(964/1062)。AI组与人工组诊断冠状动脉粥样硬化性狭窄的一致性极好(Kappa=0.801),且差异无统计学意义(P=0.129)。其次,AI正确诊断237段冠脉显著狭窄中的139段,AI诊断冠心病的灵敏度、特异度、阴性预测值、阳性预测值、符合率分别为58.65%(139/237)、99.64%(822/825)、89.35%(822/920)、97.89(139/142)、90.49%(961/1062)。AI组与CAG组诊断冠心病的一致性好(Kappa=0.680),两组差异有统计学意义(P=0.000)。(6)人工共检出斑块493个,AI组共检出斑块486个,其中AI组准确识别不同性质斑块418个,总体的准确率为84.79%(418/493),AI组准确识别钙化性斑块174个,准确率为92.06%(174/189),AI组准确识别混合性斑块110个,准确率为77.47%(110/142),AI组准确识别非钙化性斑块134个,准确性为82.72%(134/162),AI组漏诊斑块41个,漏诊率8.32%(41/493)误诊斑块34个,误诊率6.90%(34/493)。AI和人工两种解读方式识别斑块性质具有好的一致性(Kappa=0.705)。结论(1)基于深度学习的冠心病智能辅助诊断系统在CCTA图像后处理及诊断速度方面优于人工,且识别冠脉分支准确性极高,可以减轻医师冠脉后处理的工作负担。(2)基于CAG组结果,目前训练的AI虽然诊断冠心病的效能不足,但具有较高的诊断冠状动脉粥样硬化性狭窄的效能,且识别斑块性质与人工组具有好的一致性和高的准确性,对冠状动脉粥样硬化性狭窄的诊断具有一定的临床价值,辅助放射科医师处理并解读CCTA,可以减轻放射科医师工作压力,改善工作模式。