心肌缺血与深度学习框架CCTA特征的相关性研究

刘 璇, 巴图尔·吐尔地, 李晓娟

(1新疆医科大学, 乌鲁木齐 830017; 2新疆维吾尔自治区人民医院放射影像中心, 乌鲁木齐 830001)

心血管疾病是全球发病和死亡的主要原因[1],冠心病心肌缺血可产生很多严重并发症,比如急性心肌梗死、心力衰竭等主要心血管不良事件。所以,临床医师对于确诊冠心病并及时干预显得尤为重要。目前,心脏造影被作为诊断冠心病心肌缺血的金标准。但是,其为有创性操作。因此,对于心肌缺血的无创可视化评估显得尤为重要,因其可视化评估能够更直观、更精确地反映心肌缺血。目前,评估心肌缺血的无创手段有很多,传统手段如心电图、彩超、冠状动脉CT血管造影(Coronary CT angiography,CCTA)、心脏磁共振及核素心肌灌注显像(Myocardial perfusion imaging, MPI)等。CCTA不仅为无创性方法而且操作简单有效[2]。人工智能手段如机器学习、深度学习作为辅助诊断也被广泛应用于临床,比如Lin等[3]通过一项国际多中心研究,开发和验证了一种关于CCTA的深度学习系统,用于斑块和狭窄量化以及心脏风险预测。An等[4]开发了一种基于深度学习的框架用于区域心肌分割和心肌缺血评估,此框架为辅助CT灌注成像(CT perfusion imaging,CTPI)分析的工具。Gao等[5]探讨了CCTA与CT血管成像的血流储备分数(CT-FFR)对心肌缺血危险因素的诊断价值,得出某些斑块特征可作为心肌缺血的预测因子,CCTA联合CT-FFR可同时在功能水平上观察解剖狭窄和评估心肌血供,更好地诊断心肌缺血,但不足之处为CCTA管腔狭窄是由医师视觉直径法诊断,CT-FFR需要专门操作员测量,耗时费力。为了提升医师的工作效率,为临床提供更准确的信息,本研究采用深度学习心血管人工智能(AI)[包括深度神经网络(Deep neural network,DNN)、卷积神经网络(Convolutional neural network,CNN)和循环神经网络(Recurrent neural network,RNN)三大深度神经网络算法的构架]辅助软件分析CCTA狭窄、CT-FFR及斑块特征等指标,并评估其在心肌缺血中的诊断价值,以及心肌缺血与各指标之间的相关性。

1 资料与方法

1.1 一般资料回顾性分析2021年10月至2023年3月于新疆维吾尔自治区人民医院同时行心脏造影(X-ray angiography,XA)及CCTA检查的190例疑似冠心病患者,按照心脏造影中冠脉主要分支单支及以上狭窄程度>50%提示为心肌缺血组[6],以此分为阳性组(心肌缺血组)95例和对照组(非心肌缺血组)95例,且对照组均为冠状动脉粥样硬化的患者。纳入标准:(1)两组均符合冠心病诊断标准;(2)均行XA及CCTA检查,且2种检查时间的间隔<2周;(3)患者病历资料完整,图像质量佳;(4)患者CCTA图像中均不含有心肌桥。排除标准:(1)做过搭桥或支架手术的冠心病患者;(2)合并有心瓣膜病、心肌本身病变及结缔组织疾病等可能导致心肌缺血的患者;(3)心肌梗死患者;(4)临床及检查资料不完整者;(5)图像质量差,影响诊断者;(6)对造影剂过敏的患者;(7)肝肾功能不全者;(8)存在严重器质性病变或精神障碍患者;(9)妊娠期及哺乳期的妇女。共纳入190例患者,冠状动脉血管主要分支包括左前降支(LAD)、左回旋支(LCX)及右冠状动脉(RCA),每例患者选取冠脉主要分支中狭窄程度最重的血管作为靶血管,共入选190支,且病变选取的平均长度为24.2 mm(23.8～24.2 mm),两组无统计学差异。

1.2 研究方法采用Revolution CT(GE American)进行CCTA检查。扫描前训练患者屏气,静脉输入优维显370碘对比剂(碘普罗胺注射液),剂量为40～50 mL,剂量最多不超过体重(Kg)× 2/mL,对比剂速率为4～5 mL/s,对比剂之后再追加40 mL生理盐水。扫描采用One-Beat方式,每次扫描均在一个心动周期内采集完成。当出现心律失常等情况影响图像质量时,给予患者服用倍他乐克(酒石酸美托洛尔片)。扫描范围:升主动脉根部至心脏膈面,扫描参数设置如下:管电压100 kV,管电流300 mA,层厚0.625 mm,获取原始数据。图像传输至后处理工作站进行分析。应用AI科技冠脉CT造影图像辅助评估软件,全自动分析CCTA管腔狭窄、CT-FFR以及斑块特征。

CCTA管腔狭窄(Lumen stenosis %,LS%)定性指标由2名医师联合AI辅助软件分析结果共同判断,医师需具有5年以上工作经验。分析CCTA管腔狭窄程度,按照冠脉CAD-RADS分级标准将管腔狭窄程度分成6个等级:0%为无狭窄,1%～24%为极小狭窄,25%～49%为轻度狭窄,50%～69%为中度狭窄,70%～99%为重度狭窄,100%为完全闭塞。CCTA管腔狭窄定量指标由AI辅助软件自动生成分析。

CT-FFR测量值为血管最后一个狭窄处后2 cm处的FFR值,如2 cm处血管直径<1.5 mm,则以1.5 mm直径处血管FFR值作为该血管的测量值。FFR=1为正常;FFR>0.8狭窄病变会造成远端心肌缺血的可能性小,建议延迟介入干预;0.75≤FFR≤0.8建议结合临床情况综合判断治疗方案;FFR<0.75狭窄病变会造成远端心肌缺血,建议结合临床情况介入干预。

斑块特征指标由AI辅助软件自动生成分析。斑块定性指标包括钙斑、混斑及非钙斑,定量指标包括斑块长度(PL)、斑块体积(PV)、最小管腔直径狭窄程度(MLD%)、管腔面积(Lumen area)、斑块面积(Plaque area)、脂质面积(Lipid rich area)及纤维脂质面积(Lipid fibre area)等。注:当狭窄血管节段具有多个斑块时,选取最小管腔直径狭窄程度最大值(MLD%max)相对应的斑块进行各指标相关分析。脂质-纤维脂质阈值分界为50 HU,纤维脂质-纤维阈值分界为130 HU,纤维-钙化阈值分界为350 HU。易损斑块包括正性重构(Positive remodeling,PR)、低衰减斑块(Low-attenuation plaque,LAP)、点状钙化(Calcified plaque,Ca)及餐巾环征(Napkin ring sign,NRS)4个征象,同时具有≥2个征象定义为易损斑块(Vulnerable plaque,VP)[7]。

1.3 质量控制

1.3.1 CCTA图像评估标准 采用图像质量评分,评分1～5。1分:图像质量差,不能诊断;2分:图像质量欠佳,影响诊断;3分:图像质量有瑕疵,不影响诊断,一般;4分:图像质量良好,可用于诊断,血管连续性一、二个节段错层或中断,血管密度均匀度良好,轻度伪影,至少60%(10段)为可评估段;5分:图像质量佳,可用于诊断,血管轮廓显示清晰,血管连续性无中断,血管密度均匀度好,无伪影,至少80%(13段)为可评估段。本次使用的图像质量评分为4～5分。

1.3.2 CCTA斑块 斑块的定性与定量指标由AI辅助软件自动检测生成,而易损斑块的测定目前AI辅助软件不能自动检测,本文对于易损斑块的测定仍需要医师去判定,对于满足至少2个易损斑块的征象,被认为是易损斑块。对于易损斑块的测定,由2位至少有5年临床资历的医师共同商讨判定,出现意见不一时,由更高级别的医师决定。

2 结果

2.1 两组患者临床基线资料的比较两组患者在年龄、性别、高血压、高血脂、糖尿病、吸烟史及家族史等基线资料方面比较,差异无统计学意义(P均>0.05),具有可比性(表1)。

表1 两组患者临床基线资料的比较

2.2 CCTA指标分析

2.2.1 病变分布及CT-FFR指标分析 从病变分布发现,无论心肌缺血组还是非心肌缺血组,病变在三大主支中均主要发生于左前降支(LAD),右冠状动脉(RCA)次之,最后是左回旋支(LCX),两组间病变在LAD、RCA的分布差异无统计学意义(P>0.05),心肌缺血组病变在LCX的分布多于非心肌缺血组,差异具有统计学意义(P<0.05)。从AI分析的CT-FFR中发现,心肌缺血组以CT-FFR<0.75为主(56.8%),非心肌缺血组以CT-FFR>0.8为主(91.6%),CT-FFR<0.75、CT-FFR>0.8在两组间的分布差异均具有统计学意义(P<0.001)。0.75≤CT-FFR≤0.8在两组间的分布差异无统计学意义(P>0.05)(表2)。

表2 两组患者病变分布及CT-FFR指标的比较/例(%)

2.2.2 斑块指标分析 在斑块定量特征中,两组间PL、PV、最小管腔面积(MLA)、MLD%、管腔面积、斑块面积、脂质面积及纤维脂质面积等指标比较,差异具有统计学意义(P<0.05)。在易损斑块征象中,两组间PR、NRS、LAP及VP含量比较,差异具有统计学意义(P<0.05)。在斑块定性特征中,混斑多发生于心肌缺血组(43.8%),钙斑多发生于非心肌缺血组(61.9%),两组间差异具有统计学意义(P<0.05)(表3)。

表3 两组患者间CCTA斑块指标的比较

2.2.3 CCTA狭窄指标分析 在CCTA狭窄定量特征中,两组患者最小管腔长径、短径,面积,远、近心端狭窄率比较,差异均具有统计学意义(P<0.05)。在CCTA狭窄定性特征中,心肌缺血组以中、重度狭窄为主,非心肌缺血组以极小、轻度狭窄为主,差异均具有统计学意义(P<0.05)(表4)。

表4 两组患者CCTA狭窄程度指标的比较

2.2.4 心肌缺血组CT-FFR与VP含量指标分析 心肌缺血组患者所选节段血管中不含易损斑块(0VP)的有61例(64.2%),含1个易损斑块(1VP)的有32例(33.7%), 含2个易损斑块(2VP)的有2例(2.1%)。0VP的CT-FFR为0.72(0.68,0.835),1VP的CT-FFR为0.75(0.69,0.88)。心肌缺血组0VP与1VP CT-FFR中位值均<0.75,不同含量VP的CT-FFR比较,差异无统计学意义(Z=-1.034,P>0.05)(图1)。

图1 心肌缺血组不同含量VP的CT-FFR比较

2.3 各指标对冠心病心肌缺血的诊断价值比较ROC曲线下面积(Area under curve,AUC)LS(0.962)相对于CT-FFR(0.892)、MLD%max(0.935)、PL(0.729)、PV(0.731)及VP(0.668)诊断效能最佳,MLD%max、PL、PV的Cut-off值分别为42.5%、5.32 mm及33.39 mm3。联合指标LS+CT-FFR+VP(0.988)相比于LS(0.962)诊断效能更佳(图2)。医师借助AI辅助软件诊断心肌缺血与XA诊断心肌缺血的一致性佳(Kappa值为0.853,P<0.001)。

图2 各指标的ROC曲线分析

2.4 冠心病心肌缺血与各指标之间的相关性分析心肌缺血与各指标之间的相关性分析显示,XA管腔狭窄程度(XA LS%)与CT-FFR呈显著负相关(rs=-0.52,P<0.001),XA LS%与MLD%max、LS呈正相关(rs=0.46,rs=0.42,P<0.001),XA LS%与PL呈正相关(rs=0.21,P<0.05) 。CT-FFR与CCTA冠脉狭窄程度(LS)呈负相关(rs=-0.45,P<0.001),CT-FFR 与MLD%max呈显著负相关(rs=-0.59,P<0.001) (图3～5)。

注:LS指数0、1、2、3分别代表最小狭窄、轻度狭窄、中度狭窄和重度狭窄。

图4 心肌缺血程度XA LS%与CT-FFR、PL相关性的3D散点图

注:彩色图表显示了六个指标之间的关系。颜色越亮,相关系数值越接近1。 *P<0.05, ***P<0.001。

3 讨论

本研究基于一种深度神经网络的CCTA成像技术对CCTA管腔狭窄、斑块及CT-FFR进行全自动定性及定量分析,结果显示无论是心肌缺血组还是非心肌缺血组,病变在三大主支中均好发于LAD,表明病变好发于LAD部位和冠脉狭窄程度无关,然而,目前冠心病心肌缺血发生部分好发于左前降支的机制尚不明确。本次研究得出心肌缺血组以CT-FFR<0.75为主,非心肌缺血组以CT-FFR>0.8为主,与以往研究[8-9]表明有创性血流储备分数(FFR)临界值为0.75,低于此值提示心肌缺血需要进行干预治疗,若FFR>0.8,认为该病变狭窄引起心肌缺血的可能性不大,无需介入只需药物治疗的结果一致。因此,基于深度学习心血管AI辅助软件的CT-FFR可以对临床进行干预治疗前的预测及指导。本研究中,当0.75≤CT-FFR≤0.8(灰色区域)时,可以综合分析管腔狭窄及斑块特征进行诊断,效果更佳。本研究的局限性在于CT-FFR在灰色区域的样本含量较小,未来仍然需要大样本进行验证。在易损斑块指标分析中,两组间定量特征PL、PV、MLA、MLD%、管腔面积、斑块面积、脂质面积、纤维脂质面积指标差异具有统计学意义,与Gao等[5]研究发现斑块长度在两组间具有差异性的结果相似,但本研究中的钙化体积指标在两组间无差异,与其研究结果不一致,可能与本研究基于深度学习的心血管AI软件在斑块成分间的阈值设置有关,比如纤维-钙化阈值分界偏高,为350 HU。易损斑块征象中PR、NRS、LAP及VP含量在两组间差异均具有统计学意义。在斑块定性指标中,混斑多发生于心肌缺血组,钙斑多发生于非心肌缺血组。尽管易损斑块在心肌缺血组与非心肌缺血组之间具有差异性,但在心肌缺血组仍然以不含易损斑块的患者占大多数(64.2%),且心肌缺血组不同含量VP的CT-FFR比较差异无统计学意义。对各指标绘制ROC曲线发现,LS的AUC(0.962)诊断效能最佳,本文通过对3个指标进行联合得到LS+CT-FFR+VP的AUC(0.988),因此是否存在易损斑块可以作为附加价值诊断是否具有心肌缺血。Driessen等[10]的研究得出斑块特征作为心肌缺血的预测因子具有一定的附加价值,本文与其研究结论相似。有学者研究探讨了斑块形态与心肌缺血之间存在关联的机制,如Xie等[11]的研究中表明易损斑块及其破裂基础上形成血栓从而导致冠心病患者死亡。董菀等[12]的研究表明冠脉病变的严重程度主要由斑块的稳定性决定。本研究相关性分析显示,心肌缺血管腔狭窄程度与CT-FFR呈显著负相关,与MLD%max、LS及PL呈正相关,CT-FFR与CCTA冠脉狭窄程度之间也存在显著负相关(rs=-0.45,P<0.001)。在一致性分析中,医师借助AI辅助软件诊断心肌缺血与XA诊断心肌缺血的一致性佳(Kappa值为0.853,P<0.001)。

本研究局限性:尽管XA被认为是判断冠心病心肌缺血的金标准,但其不如核素心肌灌注显像(MPI)可以对心肌缺血进行直观的定位,而且MPI是目前公认的无创检测冠状动脉血流储备的“金标准”[13],本研究中未对MPI或血流储备分数(FFR)进行分析,未来仍需要更加深入的研究评估冠心病心肌缺血的影响因素。其次,本文为单中心回顾性研究,样本量较小。最后,基于深度学习框架下的AI软件在心血管应用中,也有一些不足之处,比如斑块成分的阈值设定、钙化成分体积及血管轴位截面积的指标准确度均需进一步提升,易损斑块的判定考验医师的专业水平与经验,具有一定的个体化差异。

总体而言,基于深度学习框架下的AI软件分析能够全自动完成冠脉图像,效率明显提升,CCTA成像技术逐渐成为疑似冠心病患者的首选影像学检查,医学影像在临床中发挥的价值会更大[14-18]。

综上所述,基于深度神经网络的CCTA成像技术对冠心病心肌缺血具有很好的评估价值;CCTA管腔狭窄、CT-FFR及易损斑块可以提升对心肌缺血的诊断效能;AI软件分析与医师联合判读的CCTA管腔狭窄与XA诊断心肌缺血一致性良好;心肌缺血与CT-FFR存在显著负相关,当CT-FFR在灰度区时,可以通过CCTA管腔狭窄以及斑块特征综合分析有利于做出诊断;斑块在诊断心肌缺血中具有一定的附加价值。