X 射线冠状动脉造影图像与 SYNTAX 评分：助力冠心病机器学习诊断算法的突破

《Scientific Data》：X-ray Coronary Angiogram images and SYNTAX score to develop Machine-Learning algorithms for CHD Diagnosis

为解决冠状动脉造影存在的问题，研究人员开展冠心病相关机器学习算法研究，收集 231 例数据，助力临床诊断。

　　

冠心病研究的新突破：开启精准诊断新篇章

在全球范围内，冠心病（Coronary Heart Disease，CHD）正逐渐成为人类健康的 “头号杀手”，无情地夺走无数生命。目前，冠状动脉造影作为评估冠状动脉狭窄或阻塞的 “金标准” 方法，被广泛应用于临床。想象一下，医生就像侦探，通过冠状动脉造影这一 “放大镜”，试图找出冠状动脉中的 “隐患”，进而制定诸如搭桥手术、冠状动脉支架植入或药物治疗等方案。然而，这个 “放大镜” 并不完美。在实际操作中，它存在着不少问题，比如不同医生的判断差异大（即观察者间变异性，inter-observer variability），容易受到主观因素影响（操作员偏差，operator bias），而且重复性较差（poor reproducibility）。这些问题就像隐藏在暗处的 “敌人”，可能导致错误的治疗决策，让患者承受不必要的痛苦。据统计，约 17% 的患者可能会接受不恰当的冠状动脉搭桥手术，10% 的患者会被不恰当地使用支架。同时，现有的定量冠状动脉造影（Quantitative Coronary Angiography，QCA）虽然有一定作用，但需要医生手动操作多个复杂步骤，既耗时又限制了其在临床的广泛应用，而且其测量的观察者间变异性也在 10% - 30% 之间。另外，SYNTAX 评分作为风险分层工具，由于相关任务复杂，也难以实现冠状动脉造影解释的完全自动化。

为了攻克这些难题，来自伊朗的研究人员挺身而出。他们来自不同的机构，包括乌尔米耶医科大学（Urmia University of Medical Sciences）、阿塞拜疆沙希德?马达尼大学（Azarbaijan Shahid Madani University）等。这些研究人员深知，要想推动冠心病诊断技术的进步，必须找到新的方法。于是，他们开展了一项旨在利用人工智能（Artificial Intelligence，AI）方法实现冠状动脉造影自动解读和冠状动脉狭窄评估的研究。他们收集了 231 例心脏血管的 X 射线血管造影图像，以及计算 SYNTAX 评分所需的血管造影变量，希望通过这些数据为冠心病相关的机器学习和数据挖掘算法研究提供有力支持，最终推动冠心病临床诊断的发展。该研究成果发表在《Scientific Data》上，为冠心病的研究带来了新的曙光。

主要研究方法

研究人员在研究过程中运用了多种关键技术方法。首先，在样本选取方面，从伊朗大不里士的沙希德?马达尼医院（Shahid Madani Hospital）回顾性随机收集了 231 例患者的数据。在图像采集上，使用了飞利浦 Allura Clarity 和西门子 Axiom Artis 系统获取 X 射线血管造影图像。在计算 SYNTAX 评分时，借助开源的基于网络的软件 SYNTAX score calculator（版本 2.28） 以及 MicroDicom 软件辅助诊断。为了从众多图像帧中选出最佳帧，研究人员还引入了基于机器学习算法的自动选帧工具，利用平均结构相似性指数（Mean Structural Similarity Index，MSSIM）进行计算筛选。最后，运用 Python 相关库对收集的数据进行自动化处理和分析。

研究结果

1. 数据收集与整理：研究人员成功收集到 231 例患者的 X 射线血管造影图像（Dicom 格式）和 SYNTAX 评分报告（PDF 格式）。通过 Python 库自动处理这些文件，将提取的信息分别保存为 “Patient ID - SYNTAX - info” 和 “Patient ID - image - info” 两种格式的字典文件。其中，“Patient ID - SYNTAX - info” 详细记录了患者的 SYNTAX 评分相关信息，如冠状动脉优势类型、病变数量、各病变特征等；“Patient ID - image - info” 则包含了从血管造影图像中提取的信息，如投影信息、冠状动脉段信息、图像形状信息等。最终，共获得 1153 个血管造影视图和 3459 张图像（每个视图 3 张）。
2. 数据统计分析：根据 SYNTAX 评分将患者分为低风险（score ≤22）、中等风险（22 32）三组。研究人员对相关信息进行可视化分析，展示了不同风险组的患者分布情况以及各项评分计算参数，为医生了解患者群体特征和风险分层提供了清晰的数据支持。
3. 技术验证：该数据集通过了三层技术验证。首先，由两名分别具有 20 多年和 5 年经验的介入心脏病专家评估 X 射线血管造影图像质量；其次，同样由两名介入心脏病专家评估 SYNTAX 评分计算报告；最后，由两名 AI 专家运用机器学习方法评估所选 X 射线血管造影帧的质量。通过这一系列严格的验证，确保了数据集的可靠性。

研究结论与讨论

这项研究意义重大。研究人员收集的包含 X 射线血管造影图像和 SYNTAX 评分等丰富信息的数据集，为冠心病相关的机器学习和数据挖掘算法研究提供了宝贵的资源。这些数据有助于开发更精准、更自动化的冠心病诊断工具，有望减少因人为因素导致的诊断误差，提高临床诊断的准确性和可靠性。同时，研究中详细解释的 SYNTAX 计算方法以及提供的患者信息表，对于培养新的专科医生具有重要的教育意义，能帮助他们更好地理解和应用 SYNTAX 评分系统。然而，研究也存在一定的局限性。虽然收集了一定数量的数据，但样本量可能相对有限，在不同人群和临床场景中的普适性还需要进一步验证。未来的研究可以在此基础上，扩大样本量，涵盖更多不同特征的患者，进一步优化机器学习算法，提高诊断模型的性能，为冠心病的临床诊断和治疗带来更多实质性的突破，让更多患者受益。