重附二与数坤合作论文在EJR发表 在胸部CT中实现非门控钙化积分评估

近日，重庆医科大学附属第二医院方正教授团队利用数坤冠脉AI技术开展了针对这一问题的研究，研究论文“Performance of artificial intelligence-based coronary artery calcium scoring in non-gated chest CT”，于2021年11月16日作为原创研究在线发表于《European Journal of Radiology》杂志（IF 3.528，https://doi.org/10.1016/j.ejrad.2021.110034）。 在这项回顾性研究中，该团队从胸部CT数据中获得了基于AI的CACS，从心脏CT数据中获得了手动CACS，研究了两种方法之间的相关性，并以手动CACS为标准，确认了AI-CACS软件在胸部CT中区分风险类别的性能。

冠状动脉疾病 (CAD) 是全世界最常见的死亡原因，本病的早期诊断和及时治疗非常重要。冠状动脉钙化评分 (CACS)，也称为 Agatston 评分，是最常用的评估患者 CAD 负担的方法。CACS是动脉粥样硬化的标志物，它不仅与冠状动脉狭窄的严重程度有关，而且是重要的预后因素，也是心肌梗死和心源性猝死等心血管事件的强有力的独立预测因子。

临床上，可识别冠状动脉钙化的影像学方法主要有两种：心电图（ECG）门控非对比增强心脏计算机断层扫描（CT）和非门控胸部CT。传统上，CACS 主要由放射科医生使用半自动软件在心脏 CT 上确定，其中包括手动识别和勾画冠状动脉钙化病变。这是目前在 CT 上量化冠状动脉钙化的标准和最广泛使用的方法。对于胸部CT，医院每天都会产生大量来自患者或健康检查的数据。在胸部 CT 上很容易发现或排除冠状动脉钙化，但放射科医师的诊断报告中并未常规提供有关 CACS 的可量化信息，因为获取这些信息需要专业知识、时间和专业设备。尽管如此，在胸部 CT 上获得 CACS 的定量信息具有重要的临床价值，即不会增加患者的辐射剂量或经济负担，又可作为确定CAD风险类别、实施预防CAD的方法以及为选择进一步检查方法提供依据。

近日，重庆医科大学附属第二医院方正教授团队利用数坤冠脉AI技术开展了针对这一问题的研究，研究论文“Performance of artificial intelligence-based coronary artery calcium scoring in non-gated chest CT”，于2021年11月16日作为原创研究在线发表于《European Journal of Radiology》杂志（IF 3.528，https://doi.org/10.1016/j.ejrad.2021.110034）。在这项回顾性研究中，该团队从胸部CT数据中获得了基于AI的CACS，从心脏CT数据中获得了手动CACS，研究了两种方法之间的相关性，并以手动CACS为标准，确认了AI-CACS软件在胸部CT中区分风险类别的性能。

本研究纳入了重庆医科大学附属第二医院2018年11月至2021年1月期间，符合纳排标准的901名患者及其基线特征。手动 CACS 评估基于心脏 CT 数据，采用工作站（syngo.via 4.1 版，西门子医疗；VitreaCore 4.0 版，东芝医疗系统；SmartScore 4.0，GE Healthcare）进行分析。AI-CACS评估基于非门控胸部CT数据，采用AI-CACS 软件（CACScoreDoc，数坤科技，北京）实现。散点图描绘了 AI-CACS 和手动 CACS 之间的相关性， Spearman 相关系数 (ρ=0.893)。Bland-Altman 图显示了 AI-CACS 和手动 CACS 的偏差和 95% 的一致性限制。AI-CACS 和手动 CACS 之间风险类别的一致性通过 Kappa 分析进行评估，显示 (κ)=0.679 (p<0.001)。AI-CACS软件在不同厂家的三类ct机上确定的风险类别没有显著差异（p=0.7543）。

散点图描绘了 AI-CACS 和手动 CACS 之间的相关性

胸部 CT 的 AI-CACS (A1-A3) 与心脏 CT 的手动 CACS (B1-B3)。A1 的 CACS 与 B1 的一致（88.06 对 89.0）。由于严重的运动伪影，A2 的 CACS 低于 B2（204.41 对 526.20）。由于二尖瓣钙化的错误识别，A3 的 CACS 高于 B3（255.32 vs. 5.40）。

如上图所示，尽管AI-CACS 软件具有去除伪影的能力，但是由于运动伪影对胸部 CT 的干扰，或某些病灶的错误识别， AI-CACS 和手动 CACS 仍然很难获得相等的值。可喜的是，AI-CACS 软件在确定 CAD 的风险类别方面具有更大的临床应用价值，本研究的结果显示两种方法之间的风险类别一致性良好。

本文以传统的基于心脏CT数据的人工测量为标准，基于使用三类CT机获得的胸部CT数据，利用比较大的病例样本，研究了AI-CACS软件的风险分类性能，结果表明就风险类别而言，AI-CACS 和手动 CACS 之间存在良好的相关性和一致性。在不增加辐射剂量和经济负担的情况下，基于胸部CT数据使用AI软件在短时间内获取CACS是可行的。AI-CACS软件算法具有良好的临床通用性，可应用于不同厂家的CT机。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。