基于深度学习的 IVOCT 冠状动脉斑块自动综合评估：开启心血管疾病精准诊断新篇章

《iScience》：Automated comprehensive evaluation of coronary artery plaque in IVOCT using deep learning

为解决 IVOCT 图像中冠状动脉斑块手动分析的难题，研究人员开发 EDA-UNet 模型，其性能优异，助力精准医疗。

　　在全球范围内，心血管疾病已然成为威胁人类健康的 “头号杀手”，而冠状动脉疾病（Coronary artery disease，CAD）作为其中的常见类型，准确诊断就显得尤为关键。血管内光学相干断层扫描（Intravascular optical coherence tomography，IVOCT）凭借其高分辨率的特性，能够清晰呈现冠状动脉周围区域，包括纤维斑块、钙化斑块和脂质斑块等的详细情况，为 CAD 的诊断提供了重要依据。然而，IVOCT 检查每次回拉导管会生成 300 - 350 张高分辨率图像，人工标注这些图像不仅耗时费力，而且极易受到临床医生主观因素以及经验差异的影响，同时还面临着观察者内和观察者间的可变性、机构间再现性等诸多挑战。此外，对斑块复杂形态的准确表征以及定量指标的精确测定，也一直是困扰医学界的难题。比如，薄帽纤维粥样瘤（Thin-cap fibroatheroma，TCFA）作为易损斑块的主要类型，其纤维帽最薄处小于 65μm 且伴有脂质核心，是斑块破裂和急性冠状动脉综合征（ACS）的重要危险因素；冠状动脉钙化的程度和分布模式，不仅能够反映 CAD 的进展情况，还与不良心血管事件的发生密切相关。因此，如何实现 IVOCT 图像中斑块的快速、准确且全自动的分割与定量建模，成为了心血管介入手术中制定精准手术方案和及时治疗决策的关键。

在这样的背景下，新疆医科大学第一附属医院、石河子大学等多机构的研究人员展开了深入研究。他们开发了一种基于深度学习的语义分割模型 ——EDA-UNet，旨在实现 IVOCT 图像中冠状动脉斑块组织的精准表征与量化分析。该研究成果发表在《iScience》杂志上，为心血管疾病的诊断和治疗开辟了新的道路。

研究人员在开展此项研究时，运用了多种关键技术方法。首先，他们收集了多中心的 IVOCT 图像数据，其中内部数据集来源于新疆医科大学第一附属医院和济宁市第一人民医院，共包含 7645 张图像；外部数据集则来自兰州大学第二医院西固医院，有 2000 张图像。这些数据涵盖了不同患者的多样信息，为模型训练和测试提供了丰富素材。其次，采用深度学习技术构建 EDA-UNet 模型，该模型具有编码器 - 解码器结构，通过多尺度融合、空洞卷积等技术，能够有效提取图像特征。最后，使用多种评估指标，如敏感度、特异度、准确度、交并比（IoU）、平均交并比（MIoU）和 Dice 系数等，对模型性能进行全面评估。

下面来看看具体的研究结果：

1. 不同模型的比较：在内部测试数据集上，将 EDA-UNet 模型与七种先进模型进行对比，结果显示 EDA-UNet 模型在所有评估指标上均表现出色，在整体冠状动脉斑块组织、纤维斑块、钙化斑块和脂质斑块的分割任务中，Dice 系数分别达到 0.9011、0.8539、0.7829 和 0.7845。在外部测试数据集上，该模型同样表现卓越，整体冠状动脉斑块组织分割的 MIoU 为 0.7849，Dice 系数为 0.8689，在各类斑块分割任务中均优于其他模型。与以往 IVOCT 斑块分割研究中的模型相比，EDA-UNet 模型在 MIoU 和 Dice 系数上也具有更高的性能表现。此外，在具有挑战性的 IVOCT 图像，如存在不完全冲洗导致的残留血液、冠状动脉夹层、分支血管和极度偏心导管等复杂场景下，EDA-UNet 模型仍能有效分割冠状动脉斑块，但在遇到含有微血管或不与管腔相交的分支血管的图像时，可能会将高衰减区域误判为钙化斑块，导致分割错误。
2. 斑块量化：通过将 EDA-UNet 模型的自动测量结果与实际情况进行对比，对 10 次回拉的 IVOCT 图像中的纤维帽厚度和脂质角度进行量化分析。Pearson 相关分析表明，模型的评估指标与实际情况之间存在显著相关性（最大脂质角度，r = 0.99，p < 0.001；最小纤维帽厚度，r = 0.99，p < 0.001）。Bland-Altman 分析显示，模型测量值与实际值之间的偏差极小（最大脂质角度，0.911 ± 6.509；最小纤维帽厚度，0.002 ± 0.011mm）。在 TCFA 识别方面，Phi 相关分析显示模型与实际情况之间存在强相关性（Phi 相关系数 = 0.691，p < 0.001），Cohen's Kappa 分析表明一致性非常强（Cohen's Kappa = 0.705，p < 0.001），模型在 TCFA 识别上的准确率为 0.8556，特异度为 0.9388，敏感度为 0.7561，F1-score 为 0.8267。对于钙化斑块，模型评估的综合特征指标与实际情况之间也存在显著相关性（钙化角度：r = 0.99，p < 0.001；钙化厚度：r = 0.95，p < 0.001；钙化深度：r = 0.95，p < 0.001；钙化面积：r = 0.98，p < 0.001），Bland-Altman 分析显示偏差极小。在钙化评分的定量评估中，Spearman 相关分析表明模型与实际情况之间存在强相关性（r = 0.940，p < 0.001），加权 Kappa 分析显示一致性高度吻合（加权 Kappa = 0.858，p < 0.001），模型在钙化评分分类上的准确率达到 0.8966，特异度为 0.9708，敏感度为 0.9009，F1-score 为 0.9110。
3. EDA-UNet 模型与临床医生的比较：在对外部数据集进行的读者研究中，EDA-UNet 模型在整体冠状动脉斑块分割方面的表现优于临床医生。该模型的 MIoU 为 0.7849，略高于高级专家（MIoU = 0.7770），显著优于初级临床医生（MIoU = 0.7209）和住院医师（MIoU = 0.6956）；Dice 系数为 0.8689，同样略高于高级专家（Dice 系数 = 0.8499），明显优于初级临床医生（Dice 系数 = 0.8041）和住院医师（Dice 系数 = 0.7820）。在敏感度、特异度和准确度方面，该模型也具有显著优势。而且，在效率上，住院医师、初级临床医生和高级专家完成每次 IVOCT 回拉所有图像评估所需的平均时间分别为 4.2 小时、3.3 小时和 1.6 小时，而 EDA-UNet 模型仅需 18 秒，展现出巨大的临床应用潜力。

研究结论与讨论部分表明，EDA-UNet 模型在 IVOCT 图像冠状动脉斑块的快速分割和量化方面表现出色，在外部测试数据集中，整体斑块分割的 MIoU 达到 0.7849，Dice 系数为 0.8689，超越了现有的先进图像分割模型和以往的研究成果。该模型在同时定量评估 TCFA 病变和钙化斑块的钙化评分时，与实际情况具有很强的相关性和一致性。虽然该模型在复杂临床场景下表现优异，但仍存在一些局限性，如数据集主要来源于中国人群，缺乏其他种族和地区的数据；由于伦理限制，无法使用离体冠状动脉组织标本作为模型验证的金标准；未对混合病变进行单独分类；数据集中包含的具有挑战性的图像数量较少等。未来，需要通过前瞻性、多中心研究进一步验证该模型的临床适用性，以推动其在临床实践中的广泛应用。

总的来说，EDA-UNet 模型为 IVOCT 图像的自动分析提供了一种高效、准确的技术工具，有望提高心血管疾病诊断的准确性和效率，为临床医生制定更精准的治疗方案提供有力支持，在心血管疾病的诊断和治疗领域具有重要的意义和广阔的应用前景。