摘要

目的:以门控CT为标准,探讨基于深度学习的非门控冠状动脉钙化积分(DL-CACS)模型在不同CT重建算法下对心血管风险分类效能。方法:回顾性将在本院同时接受门控心脏CT和非门控低剂量胸部CT(LDCT)检查的549例患者纳入本研究。根据扫描方式(心电门控和非门控),将所有患者的图像资料分为A、B两组。对B组图像数据分别使用smooth、standard及sharp算法进行重建(作为B1、B2和B3组),并导入DL-CACS模型进行分析,获得CACS及心血管风险分类结果。以医师基于A组图像手工测量的CACS为标准,采用符合率、Bland-Altman法及组内相关系数(ICC)对3种CT重建算法下获得的DL-CACS进行分析。依据CACS(0、1~99、100~400和>400)将患者的心血管风险分为4个标准类别(1~4类,分别对应无、低、中和高风险),利用Kappa检验、受试者工作特征(ROC)曲线下面积(AUC)比较不同重建算法下DL-CACS与标准CACS对患者心血管风险分层的差异。结果:B1、B2和B3组的DL-CACS与A组之间的一致性均较好,其中以B1组最好[ICC=0.955(95%CI:0.947~0.962)]。B1、B2和B3组中模型所获得的心血管风险分层与A组之间的一致性均较好,Kappa值分别为0.839、0.827和0.770(P均<0.001),其中B1组评估高危患者的AUC最高(AUC=0.995,P<0.001)。Bland-Altman图(A组分别与B1、B2和B3组的CACS进行配对比较)显示,B1组与A组之间CACS平均差值为-0.173(95%CI:-1.748~1.402),B1组CACS超出95%一致性界限的患者数最少。结论:非门控DL-CACS模型在不同CT重建算法下均能准确地评估CACS及风险分层,而在LDCT时选择smooth重建算法,能最大程度地提高对冠脉钙化程度的评估准确性。

全文