深度学习助力主动脉瓣钙化定量评估：对比增强冠脉 CT 血管造影的新突破

研究人员利用对比增强冠脉 CT 血管造影（CCTA），通过深度学习自动量化主动脉瓣钙化，结果准确，有望减少对非对比 CT 依赖。

　　# 深度学习为主动脉瓣钙化评估带来新曙光
在心血管疾病的诊疗领域，主动脉瓣狭窄（aortic stenosis）是一种不容忽视的病症，它就像心脏 “大门” 上的一道枷锁，会随着病情发展，严重影响心脏功能，若未得到妥善治疗，可能引发一系列严重的心脏并发症。而主动脉瓣钙化（aortic valve calcification）作为评估主动脉狭窄严重程度、预测心血管风险以及指导治疗决策的关键指标，对其进行精准量化意义重大。

传统上，医生主要依靠在非对比 CT 图像上手动勾勒瓣膜区域，分析衰减值≥130 亨氏单位（HU）的钙化区域，并计算加权 Agatston 评分来量化主动脉瓣钙化。但这种方法不仅需要额外的辐射暴露，而且手动操作耗时费力，不同操作人员的结果差异较大，在日常临床应用中受到诸多限制。为了突破这些困境，来自首尔国立大学医院（Seoul National University Hospital）的研究人员开展了一项具有创新性的研究，相关成果发表在《Scientific Reports》上。

此次研究中，研究人员利用对比增强冠脉 CT 血管造影（CCTA）技术，结合深度学习算法，实现了主动脉瓣钙化的自动量化。在方法上，他们回顾性分析了 177 例因临床怀疑主动脉狭窄而同时接受钙评分 CT（CSCT）和 CCTA 检查的患者，将其分为开发集（n=97）和内部验证集（n=80） 。研究人员使用了两种关键模型，DeepLab v3 + 模型对升主动脉进行分割，XGBoost 模型则通过代表性衰减值来优化主动脉瓣区域的界定。在钙化识别方面，研究人员根据这些值设定了个性化的阈值，并采用类似于 Agatston 评分的加权评分方法进行量化。

在研究结果部分，相关性和一致性分析显示，自动量化结果与手动 Agatston 评分之间存在很强的相关性和高度一致性。在内部验证集中，皮尔逊相关系数达到 0.93（95% 置信区间 [CI]：0.89 - 0.95，p<0.001），一致性相关系数为 0.92（95% CI：0.87 - 0.95）。Bland - Altman 分析也表明，手动和自动钙量化方法之间的一致性良好，平均差异为 77.4，标准差为 529.9（95% CI：-38.7 至 193.5） 。在对严重主动脉狭窄的分类上，该深度学习方法表现出色，灵敏度达到 88.6%，特异性为 91.1%，阳性预测值（PPV）为 88.6%，阴性预测值（NPV）为 91.1%，总体准确率为 90.0% 。从逐例分析结果来看，80 例患者中，60% 的病例无误差，31.3% 的病例只有轻微差异，被归类为无显著误差，仅有 8.8% 的病例存在显著误差。

研究结论表明，基于深度学习的自动量化主动脉瓣钙化方法，在增强 CT 上表现出色，与从 CSCT 得出的手动 Agatston 评分高度一致。这一方法为在无法进行非对比 CT 扫描时测量主动脉瓣钙含量提供了新的选择，有望减少对非对比 CT 的依赖，提高效率，降低操作人员的依赖性，减少患者的辐射暴露。不过，研究也存在一定局限性，比如单中心研究可能限制结果的普遍性，研究重点未放在主动脉瓣三叶的精确分割上，以及在检测低衰减钙沉积和识别非瓣膜结构方面存在不足 。但不可否认的是，这项研究为主动脉狭窄评估的精准化和高效化开辟了新道路，未来随着多中心验证以及研究方法的进一步优化，有望为心血管疾病的临床诊疗带来更多的突破和进步。