科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 探讨人工智能（AI）在非门控胸部低剂量CT(LDCT)平扫冠状动脉钙化积分（CACS）危险分层中的预测价值。方法 回顾性收集接受冠状动脉CT血管成像（CCTA）检查及非门控LDCT平扫的病人152例（训练集与测试集比例为2∶1），训练集为上海长征医院收集的102例病人；测试集为武汉同济医院收集的50例病人。分别由AI模型和2名中年资影像医师在所有病人影像上勾画钙化，获得CACS后进行CACS危险分层（低危、中危和高危），使用手动标注非门控LDCT的训练集数据，构建非门控LDCT的CACS及其危险度分层的AI模型。将测试集数据导入AI模型进行验证，与心电门控CT平扫获得的标准CACS及其危险分层进行对比分析，分别记录放射科医师手动评估及AI模型自动评估测试集CACS所需时间。采用分类准确度、组内相关系数（ICC）、Kappa检验和BlandAltman一致性分析评估AI模型的性能，并采用Wilcoxon符号秩检验比较AI模型与标准CACS危险分层间的差异。采用配对t检验比较AI、影像医师评估CACS危险分层所需时间。结果 在训练集和测试集中，标准CACS的中位数分别为165.89(36.04,425.76)、96.50(25.75,346.75),AI模型测得CACS的中位数分别为167.07(43.17,449.11)、75.51(24.30,250.74)，两者一致性均较好[ICC分别为0.977(0.965, 0.984)、0.989(0.980, 0.994)]。在测试集中进行Bland-Altman一致性分析，结果显示AI模型评估的CACS与标准CACS差值在95%一致性界限内的病例有48例，界限外的只有2例。在训练集和测试集中，AI模型预测的CACS危险度分层与标准CACS危险度分层的一致性均较好（κ值分别为0.895、0.899，均P<0.001）。AI模型预测训练集CACS危险分层的分类准确度为97.1%，其中对高危、中危、低危的分类准确度分别为96.9%、95.1%、100%。AI模型预测测试集CACS危险分层的分类准确度为94.0%，其中对高危、中危、低危的分类准确度分别为100.00%、82.40%、100.00%。AI模型预测测试集CACS危险分层与标准CACS危险分层的差异无统计学意义（Z=2.00,P=0.564）。采用AI模型评估不同CACS危险分层所需时间均较放射科医师少（P<0.001）。结论 AI模型能够较为准确地评估LDCT平扫的CACS及其危险分层，明显提高工作效率，具有一定的临床应用价值。
-
单位华中科技大学同济医学院附属同济医院; 中国人民解放军第二军医大学; 长征医院
