摘要

隨著人工智能（AI）技術(shù)的不斷發(fā)展，AI的應(yīng)用已經(jīng)開始貫穿于冠狀動脈CT成像的全流程，在工作流程的優(yōu)化、圖像質(zhì)量、自動圖像分割、疾病診斷和預(yù)后評估等方面均展現(xiàn)了較大的潛力和優(yōu)勢，但也面臨一些問題和挑戰(zhàn)。未來需要通過優(yōu)化AI算法、建立標(biāo)準(zhǔn)化多中心大數(shù)據(jù)庫、實現(xiàn)多任務(wù)學(xué)習(xí)、進行臨床試驗提供臨床循證證據(jù)，構(gòu)建更優(yōu)的心血管疾病風(fēng)險分層和預(yù)后評估模型，全面提升AI賦能的心血管CT在疾病診療全流程的應(yīng)用價值。心血管疾病是威脅中國人健康的首要病種，患病人數(shù)已達3.3億，占所有死亡原因的44.26%~46.74%。冠狀動脈CTA（coronaryCTA，CCTA）作為評估冠狀動脈疾病的無創(chuàng)性方法，對冠狀動脈疾病的檢測具有較高的靈敏度，已成為心血管疾病篩查、診斷、療效監(jiān)測和預(yù)后評估的重要手段。然而，隨著受檢人群的不斷擴大，診斷醫(yī)師的工作負(fù)荷和壓力與日俱增。此外，各級醫(yī)院的技師、診斷醫(yī)師的經(jīng)驗水平各異，導(dǎo)致基于CCTA進行心血管疾病篩查及診斷的異質(zhì)性較大。近年來影像人工智能（artificialintelligence，AI）快速發(fā)展，已開發(fā)和驗證了高效、便捷和同質(zhì)化的AI輔助影像篩查和診斷軟件，部分產(chǎn)品已經(jīng)獲得國家藥品監(jiān)督管理局認(rèn)證，開始進入臨床使用，AI已經(jīng)開始貫穿于CCTA圖像重建、重組及診斷全流程中。一、AI概述

AI是計算機科學(xué)的一個分支領(lǐng)域，旨在模仿人類的思維過程、學(xué)習(xí)能力及知識存儲。機器學(xué)習(xí)是AI的一個重要組成部分，按照學(xué)習(xí)方法可分為以下4種類型：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)以及強化學(xué)習(xí)。logistic回歸、支持向量機、樸素貝葉斯和隨機森林等是常見的監(jiān)督學(xué)習(xí)算法，而均值聚類、分層聚類、主成分分析等則屬于無監(jiān)督學(xué)習(xí)。深度學(xué)習(xí)（deeplearning，DL）作為機器學(xué)習(xí)的重要分支，目前是AI研究領(lǐng)域的熱點。神經(jīng)網(wǎng)絡(luò)是DL的基礎(chǔ)，其是對人腦中神經(jīng)回路的模擬。DL通過多層神經(jīng)網(wǎng)絡(luò)的處理，能夠?qū)崿F(xiàn)數(shù)據(jù)的分類以及事件的預(yù)測，并且增加神經(jīng)網(wǎng)絡(luò)中的隱含層數(shù)而提高精度的模型。目前，DL的算法包括遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetworks，CNN）以及深度神經(jīng)網(wǎng)絡(luò)等。二、AI在CCTA中的應(yīng)用現(xiàn)狀

（一）CCTA掃描流程與圖像重建1.CCTA圖像獲取及圖像質(zhì)控：AI技術(shù)的應(yīng)用不僅可提高影像質(zhì)量，還可在技術(shù)層面實現(xiàn)“雙低”，且縮短患者檢查等待時間?；贒L的圖像算法使得CCTA能在降低輻射劑量的同時，降低圖像噪聲，圖像重建速度也得到提升。使用高強度DL圖像重建聯(lián)合70kVp管電壓的“雙低劑量”CCTA掃描方案，在降低輻射劑量和對比劑劑量的同時，獲得更高的圖像質(zhì)量。此外，使用DL圖像重建算法還可以明顯校正CCTA圖像的運動偽影，保證圖像質(zhì)量。2.冠狀動脈自動分割：CCTA圖像冠狀動脈樹完整的精細(xì)分割一直是圖像重建中的挑戰(zhàn)。傳統(tǒng)人工重建耗時長，且對斑塊的識別具有較高的主觀性及觀察間的差異，而CNN算法可以有效地提取血管的代表性特征，已成功應(yīng)用于冠狀動脈分割和各種圖像模式的估計，且該方法與其他類型算法相比，更加有效且穩(wěn)健。利用DL模型，實現(xiàn)了較高難度的冠狀動脈慢性完全閉塞病變的分割，不僅具有較高的預(yù)測價值，并且與人工重建相比，其重建時間更快，成功率更高。（二）冠狀動脈病變自動化檢出與輔助診斷1.冠狀動脈狹窄自動化識別及斑塊自動化測量：利用AI輔助診斷冠狀動脈狹窄，其狹窄程度測量結(jié)果與專家閱片結(jié)果高度一致，且耗時明顯縮短。有研究表明，相較于傳統(tǒng)的人工圖像重建和診斷，AI重建減少了85%的圖像重建時間和80%的冠狀動脈病變診斷時間，并且在檢測斑塊狹窄程度方面相對準(zhǔn)確。在斑塊自動化測量及分類方面，多中心研究顯示，AI自動測定的總斑塊體積和專家測量結(jié)果以及血管內(nèi)超聲具有非常好的一致性。提出了一種斑塊分割聚類分析方法，進行斑塊分類的準(zhǔn)確度高達97.7%。利用CNN模型對冠狀動脈斑塊進行檢測，靈敏度達到100%，在后續(xù)的斑塊分類及分級研究中，AI模型也體現(xiàn)出了較高的診斷效能。利用AI技術(shù)，可以高精度和高效率檢測和分析冠狀動脈斑塊，使得CCTA工作流程自動化成為現(xiàn)實。2.自動化鈣化積分測量：基于冠狀動脈CT平掃的鈣化積分測量作為心血管不良事件的獨立危險因素已經(jīng)多項研究證實。傳統(tǒng)的冠狀動脈鈣化積分需要使用基于心電門控的心臟CT平掃圖像進行手動測量，利用深度學(xué)習(xí)算法在1min內(nèi)快速計算出冠狀動脈主要分支的鈣化積分和總積分，準(zhǔn)確度可高達95%。在AI算法的加持下，鈣化積分測量已經(jīng)推廣到包括并且不限于常規(guī)胸部CT、低劑量胸部CT、PET衰減校正CT，甚至是放療CT，并且獲得的鈣化積分在不同類型的檢查、不同機型、不同掃描層厚之間保持著較高的一致性。此外，基于能譜CT虛擬平掃技術(shù)結(jié)合深度學(xué)習(xí)算法，利用CCTA圖像計算鈣化積分，其結(jié)果與心臟平掃鈣化積分接近，同時可省去鈣化積分掃描所產(chǎn)生的輻射劑量。利用AI技術(shù)使冠狀動脈鈣化積分測量具有更高的普適性，有助于臨床廣泛推廣。3.CT血流儲備分?jǐn)?shù)（fractionalflowreserve，F(xiàn)FR）計算：經(jīng)壓力導(dǎo)絲測量的FFR是評估冠狀動脈缺血的金標(biāo)準(zhǔn)，但由于其侵入性和高成本特點臨床應(yīng)用受限。基于CCTA的無創(chuàng)FFR（CT-FFR）可以解決這一問題，但CT-FFR最初基于流體力學(xué)計算，計算大，耗時長，限制了其在臨床的廣泛使用。隨著AI技術(shù)的發(fā)展，快速智能評估血流動力學(xué)功能的一鍵式自動CT-FFR方法成為可能。構(gòu)建了國內(nèi)最大的有創(chuàng)FFR與CT-FFR對照的數(shù)據(jù)庫，證明了CT-FFR和壓力導(dǎo)絲測出的FFR值有很好的一致性。基于DL算法重建出的CCTA圖像對CT-FFR的測量值及其診斷效能無明顯影響。CT-FFR不僅能夠提供解剖學(xué)信息，而且能實現(xiàn)功能學(xué)診斷，同時無需使用額外的負(fù)荷藥物或接受額外的電離輻射，具有良好的臨床應(yīng)用前景。4.冠狀動脈周圍脂肪的測量：包繞冠狀動脈的心外膜周圍脂肪組織（pericoronaryadiposetissue，PCAT）與主要不良心血管事件顯著相關(guān)。國外研究使用基于深度CNN算法的多任務(wù)框架，能快速從CT平掃圖像完成PCAT體積測定。近期研究顯示，冠狀動脈炎癥可以影響PCAT的形成和分化，冠狀動脈周圍脂肪衰減指數(shù)（fatattenuationindex，F(xiàn)AI）可用來量化CCTA的動脈炎癥。和國內(nèi)學(xué)者研究了心臟平掃PCAT的自動FAI計算方法，同時比較了平掃和增強掃描所測的FAI差異，結(jié)果表明平掃所測FAI更接近真實值。（三）預(yù)后分析與危險分層目前，影像組學(xué)、機器學(xué)習(xí)多組學(xué)或多參數(shù)模型等方法均已用于心血管病預(yù)防、預(yù)后評估及危險分層研究，涉及的基于AI獲得的各項影像生物標(biāo)志物包括且不限于鈣化積分、斑塊總體積、心外膜脂肪組織體積及FAI、CT-FFR等。利用影像組學(xué)方法，確定了高放射組學(xué)特征的易損斑塊與心血管不良事件的發(fā)生獨立相關(guān)。研究顯示AI技術(shù)擁有更好的特征篩選及融合能力，在預(yù)測心血管不良事件方面，機器算法優(yōu)于傳統(tǒng)的風(fēng)險預(yù)測模型。通過臨床數(shù)據(jù)構(gòu)建人工智能模型來預(yù)測心血管不良事件，能夠幫助臨床醫(yī)師針對個體制定更合理的治療方案，從而減少不良心血管事件的發(fā)生，降低死亡率。三、挑戰(zhàn)及展望

影像AI在心血管疾病診療領(lǐng)域中取得了一定的進展，但仍存在以下局限：（1）圖像采集方式以及圖像質(zhì)量存在較大的差異，難以保證圖像的同質(zhì)性；（2）目前的研究多基于單中心、回顧性研究，且部分研究樣本量少；多數(shù)模型只進行了內(nèi)部驗證，而缺乏外部驗證；因此模型的重復(fù)性和普適性有待于多中心和不同臨床場景的廣泛驗證；（3）偽影仍然是人工智能應(yīng)用的挑戰(zhàn)，如非門控胸部CT大量鈣化伴有硬化偽影等；（4）智能化的“黑盒效應(yīng)”難以破除，AI的計算過程難以理解；（5）還沒有臨床試驗數(shù)據(jù)，缺乏高等級的循證證據(jù)支持，從而導(dǎo)致其在解決臨床實際問題中面臨質(zhì)疑。為此，在未來的心血管疾病影像AI研究中，以下方面需要重點關(guān)注：（1）制定統(tǒng)一的數(shù)據(jù)采集及計算標(biāo)準(zhǔn)，保證圖像采集的標(biāo)準(zhǔn)化、規(guī)范化、流程化、同質(zhì)化；（2）搭建包含臨床、影像和實驗室等數(shù)據(jù)結(jié)構(gòu)的多維及多中心數(shù)據(jù)庫，為模型的開發(fā)及修正提供更多信息；（3）加快AI新算法，如去偽影算法等的研發(fā)，優(yōu)化現(xiàn)有算法內(nèi)核，提高AI穩(wěn)健性；（4）加深A(yù)I研究人員與臨床醫(yī)師的合作，將模型的參數(shù)與病變的特征和變化相關(guān)聯(lián)，從而使得臨床醫(yī)師在臨床實踐中，可以通過模型參數(shù)對心血管疾病的變化作出客觀、合理、準(zhǔn)確的解釋，做到AI結(jié)果有據(jù)可依；（5）開展多中心前瞻性臨床研究，獲得高質(zhì)量循證證據(jù)，推進基于AI的心血管C