伟德官网手机版附屬鼓樓醫院醫學影像科張冰教授團隊在冠狀動脈CT血管造影（CTA）的人工智能研究領域取得重要進展。鈣化積分是一種評估冠狀動脈鈣化斑塊的定量方法，能夠準确評估斑塊負荷，從而預測心血管疾病風險。通過對比劑增強的冠狀動脈CTA是臨床上最常用的一種簡單有效而無創的冠狀動脈疾病診斷的方法。但是由于造影劑導緻血管與鈣化不易區分，在冠脈CTA中不能進行鈣化積分計算。因此傳統鈣化評估需要基于額外的CT平掃圖像，采用半自動方法進行計算。之前的人工智能算法也一直停留在嘗試基于平掃圖像得到鈣化積分值，無法從冠脈CTA獲取。光譜CT是基于探測器的能譜CT，常規冠脈CTA掃描就可以得到能譜序列圖像（如虛拟平掃圖像）。本研究團隊充分利用能譜CT的物質分離這一優勢，開發了一種基于深度學習方法，建立了基于深度學習方法，自動從冠脈CTA得到鈣化積分的模型。該模型從冠脈CTA得到的鈣化積分與傳統半自動平掃CT鈣化積分顯著正相關（Pearson’s correlation 0.96, p<0.001），基于鈣化積分的風險分層一緻性高達0.94（weighted kappa=0.94）。利用該模型，92.9%的病人可獲得準确風險分層，其效能在不同層厚、不同掃描機型及不同性别患者之間無明顯差異。
該研究提出的基于深度學習的冠脈CTA自動鈣化積分計算方法有三點創新：
思路創新：該研究基于能譜CT優勢，利用虛拟平掃圖像生成準确鈣化标注，避免了對鈣化的冗餘人工标注，适合于大數據量的人工智能研究。
模型創新：該研究采用先進卷積神經網絡，采用了兩個模塊檢測模塊和鈣化分數回歸模塊，在保證準确鈣化檢測同時直接從圖像中進行分數回歸。
臨床創新：該團隊開發的模型可以準确地從CTA圖像中直接獲取鈣化積分，進行心血管疾病風險評估，避免額外CT平掃輻射及操作半自動鈣化積分軟件導緻的人工負擔。
圖1 基于多任務深度學習模型的冠脈CTA圖像中量化鈣化積分（CAC）方法示意圖
該研究以 “Calcium Scoring in Coronary CT Angiography using Deep Learning”為題首登放射學頂級期刊Radiology上， 伟德官网手机版附屬鼓樓醫院醫學影像科牡丹為本文第一作者，張冰教授為通訊作者。來自紐約羅斯林聖弗朗西斯醫院和心髒中心的心血管影像科學家 James W. Goldfarb博士和心血管影像中心主任 J. Jane Cao博士同期發表述評：臨床工作中可以省去增強CTA前的平掃，直接進行鈣化積分，既降低輻射劑量，又提高準确率。
原文及述評來源：
https://doi.org/10.1148/radiol.2021211483
https://pubs.rsna.org/doi/full/10.1148/radiol.2021212586
