基于深度学习的冠状动脉 CT 血管造影在检测冠状动脉狭窄中的诊断性能：精准高效助力冠心病诊疗

《The International Journal of Cardiovascular Imaging》：Diagnostic performance of deep learning-based coronary computed tomography angiography in detecting coronary artery stenosis

为验证基于冠状动脉计算机断层血管造影（CCTA）的全自动深度学习模型对狭窄≥50% 的阻塞性冠状动脉疾病（CAD）的诊断效果，研究人员开展了相关多中心临床试验。结果显示该模型诊断性能出色，阅读时间大幅缩短，有助于研究人群的有效分诊。

　　本多中心临床试验纳入了 2022 年 10 月 13 日至 2023 年 2 月 28 日期间接受冠状动脉计算机断层血管造影（CCTA）的患者。研究人员利用基于深度学习的软件，回顾性分析疑似冠状动脉疾病（CAD）患者的 CCTA 数据，并与三位专家达成的共识参考标准进行对比。该研究采用多阶段深度学习框架，包括 3D 多分辨率级联卷积神经网络（3D Multi-resolution Cascade Convolutional Neural Network，3D CNN）、3D 级联局部优化网络（3D Cascade-Locally Optimized Network）和狭窄分析网络（Stenosis Analysis Network），对 CCTA 图像进行冠状动脉分割和狭窄分析，临床试验注册号为 NCT06172985。研究共纳入 1090 名患者（平均年龄：59.90±11.51 岁，女性占 47.3%）。人工智能（AI）在患者层面表现优异，能准确诊断≥50% 的狭窄。AI 系统的准确率、灵敏度、特异度、阳性预测值（PPV）和阴性预测值（NPV）分别为 92.8%、95.3%、91.4%、85.6% 和 97.3%。专家阅片与深度学习确定的每位患者最大直径狭窄之间一致性良好（kappa 系数：0.84，95% CI：0.81 - 0.88）。在诊断效率方面，与专家阅片相比，AI 平均阅片时间从 5.94 分钟降至 2.01 分钟（p＜0.001）。综上所述，基于 AI 的 CCTA 评估能够准确快速地识别冠状动脉狭窄≥50% 的患者，有助于在特定研究人群中进行有效分诊。