宣武医院卢洁教授团队《Radiology》阐述基于AI实现头颈动脉CTA狭窄诊断及斑块成分识别
2023年3月,首都医科大学宣武医院卢洁教授团队在放射学顶级期刊《Radiology》发表题为“Deep learning for head and neck CT angiography: stenosis and plaque classification”的研究论文。该研究为AI在头颈CTA血管重建系统的延续(Nature Communications,2020),在此基础上进一步基于AI完成对头颈CTA血管狭窄诊断及斑块成分识别,实现了AI对头颈CTA从重建到诊断的临床全流程优化。首都医科大学宣武医院傅璠博士为第一作者,卢洁教授为通讯作者。
目前,临床完成头颈CTA的狭窄诊断和斑块成分识别主要依赖于医生对从主动脉弓到颅内动脉所有血管的主观判断,平均一个病人的诊断及报告书写时间约30分钟,医院需要投入极大的专业人力。随着头颈CTA检查数量的不断增多,临床诊断医生的工作压力逐渐增大。同时,医生的主观判断也存在异质性较高的问题,尤其在临界值附近的狭窄(50%和75%)难以精准判断。近年来,随着AI技术的快速发展,构建基于深度学习的AI模型有望解决以上临床难点问题。因此,利用AI构建头颈CTA的血管狭窄诊断模型及斑块成分识别模型,并将其与临床医生诊断的准确性进行对比分析,有助于提高临床医生工作效率,优化头颈CTA诊疗流程。
卢洁教授课题组长期从事人工智能在脑血管病领域的研究。课题组前期已构建基于生理解剖结构分区的3D CNN模型实现了对头颈血管的分割及重建,为进一步实现血管狭窄诊断和斑块成分识别,本研究基于加权的骨架算法融合先验知识进行血管中心线的精准提取,结合多角度血管狭窄检测模型(MAVS)实现头颈CTA管腔狭窄的定量诊断。在斑块成分识别方面,利用3D ResU-Net网络在轴位图对斑块进行分割,进而结合多特征回归模型实现斑块分类(钙化斑块、非钙化斑块和混合斑块)。该研究共纳入3266例行头颈CTA检查的患者进行模型构建,之后前瞻性纳入142例CTA图像进行AI狭窄诊断及斑块成分识别与医生的比较。以两名高年资医生的诊断结果作为金标准,AI在狭窄诊断(κ="0.84)及斑块成分识别(κ="0.78)与医生具有较高的一致性。AI诊断≥50%狭窄的敏感性、特异性、阳性预测值、阴性预测值及准确性分别为95%、83%、97%、77%和93%。AI对钙化斑块、非钙化斑块和混合斑块分类的准确性分别为91.8%、80.7%和81.3%。与医生诊断相比,AI可提供狭窄定量数值,因此可辅助临床医生临界值的准确诊断。本文同时总结分析了该系统在宣武医院的应用情况,可将医生狭窄诊断及报告书写时间由28.8±5.6min 减至12.4±2.0min。从重建到诊断,该系统可将时间从45.2±4.3 min 减至14.2±1.4min。该系统的应用极大的降低了临床医生及技师的工作负担,提升影像科医生的工作效率。
图为狭窄诊断及斑块成分识别算法流程图。A: 加权骨架算法融合先验知识结合多角度血管狭窄检测模型计算管腔狭窄率;B: 3D ResU-Net网络结合多特征回归模型实现斑块分类(钙化斑块、非钙化斑块和混合斑块)
上述研究阐明了AI在头颈CTA狭窄诊断及斑块成分识别中的积极作用,为优化头颈CTA临床诊疗流程,节省脑血管病患者就诊时间提供了新的契机。
该项目受国家自然科学基金重点项目(82130058)、北京市自然科学基金重点项目(Z190014)等资助。
卢洁教授、主任医师、博士研究生导师,首都医科大学宣武医院副院长,放射与核医学科主任,国家神经疾病医学中心副主任,教育部神经变性病重点实验室副主任,磁共振成像脑信息学北京市重点实验室主任。兼中华医学会放射学分会全国委员、中国医学影像技术研究会放射分会副主任委员等,SCI收录杂志等杂志编委。国家自然科学基金优秀青年基金获、国家万人计划科技创新领军人才项目获得者。擅长神经系统疾病影像诊断,从事脑疾病功能与分子影像学研究。主持科技部“十四五”重点研发计划、国自然重点、北自然重点等20余项课题,代表作发表在《Neuron》《Brain》《Radiology》《Nature Communications》等国际权威期刊,入选全球前1% ESI高被引论文,被世界学术组织F1000推荐,以第一完成人获华夏医学科技奖科学技术奖一等奖(1/15)、北京市留学人员创新创业特别贡献奖、茅以升北京青年科技奖等;主编(译)著专著10部,授权专利10项,主持或参与专家共识12项。