3月7日，首都醫(yī)科大學(xué)宣武醫(yī)院盧潔教授團隊在放射學(xué)頂級期刊《Radiology》在線發(fā)表了題為“基于AI實現(xiàn)頭頸動脈CTA狹窄診斷及斑塊成分識別”（Deep learning for head and neck CT angiography: stenosis and plaque classification）的論文。該研究為AI在頭頸CTA血管重建系統(tǒng)的延續(xù)（Nature Communications，2020），在前期研究的基礎(chǔ)上進一步基于AI完成對頭頸CTA血管狹窄診斷及斑塊成分識別，實現(xiàn)了AI對頭頸CTA從重建到診斷的臨床全流程優(yōu)化。《Radiology》期刊2022年影響因子IF為29.146分，H-index為295，中科院JCR綜合性期刊1區(qū)TOP。論文的第一作者為盧潔教授團隊傅璠博士。

目前，臨床完成頭頸CTA的狹窄診斷和斑塊成分識別主要依賴于醫(yī)生對從主動脈弓到顱內(nèi)動脈所有血管的主觀判斷，平均一個病人的診斷及報告書寫時間約30分鐘，醫(yī)院需要投入極大的專業(yè)人力。隨著頭頸CTA檢查數(shù)量的不斷增多，臨床診斷醫(yī)生的工作壓力逐漸增大。同時，醫(yī)生的主觀判斷也存在異質(zhì)性較高的問題，尤其在臨界值附近的狹窄（50%和75%）難以精準(zhǔn)判斷。

研究基于加權(quán)的骨架算法融合先驗知識進行血管中心線的精準(zhǔn)提取，結(jié)合多角度血管狹窄檢測模型（MAVS）實現(xiàn)頭頸CTA管腔狹窄的定量診斷。在斑塊成分識別方面，利用3D ResU-Net網(wǎng)絡(luò)在軸位圖對斑塊進行分割，進而結(jié)合多特征回歸模型實現(xiàn)斑塊分類（鈣化斑塊、非鈣化斑塊和混合斑塊）。

本研究共納入3266例行頭頸CTA檢查的患者（2096例男性和1170例女性，平均年齡62歲）進行模型構(gòu)建，之后前瞻性納入 142例CTA圖像進行AI狹窄診斷及斑塊成分識別與醫(yī)生的比較。以兩名高年資醫(yī)生的診斷結(jié)果作為金標(biāo)準(zhǔn)，AI在狹窄診斷（κ=0.84）及斑塊成分識別（κ=0.78）與醫(yī)生具有較高的一致性。AI診斷≥50%狹窄的敏感性、特異性、陽性預(yù)測值、陰性預(yù)測值及準(zhǔn)確性分別為95%、83%、97%、77%和93%。AI對鈣化斑塊、非鈣化斑塊和混合斑塊分類的準(zhǔn)確性分別為91.8%、80.7%和81.3%。與醫(yī)生診斷相比，AI可提供狹窄定量數(shù)值，因此可輔助臨床醫(yī)生臨界值的準(zhǔn)確診斷。本文同時總結(jié)分析了該系統(tǒng)在宣武醫(yī)院的應(yīng)用情況，可將醫(yī)生狹窄診斷及報告書寫時間由28.8±5.6 min減至12.4±2.0min。從重建到診斷，該系統(tǒng)可將時間從45.2±4.3min減至14.2±1.4min。該系統(tǒng)的應(yīng)用極大降低了臨床醫(yī)生及技師的工作負擔(dān)，優(yōu)化頭頸CTA臨床診療全流程，提升影像科醫(yī)生的工作效率。

該研究由北京市自然科學(xué)基金（Z190014）；國家自然科學(xué)基金重點項目（82130058）等資助。