在全球范围内，脑血管疾病仍然是导致人群严重残疾和死亡的主要原因。动脉粥样硬化经常与脑血管事件有关。其中，动脉狭窄的程度是治疗方案的参数之一。头颈部CT血管造影已成为评估动脉粥样硬化过程的一线方法，并获得了全世界临床的认可。然而，CT血管造影的解释仍然需要详细评估所有的颈部血管结构，这是一个十分耗时的过程。此外，在对狭窄程度和斑块组成的视觉评估中存在观察者之间的差异。

基于深度学习（DL）的方法已经引起了越来越多的人群关注，DL的增量数据驱动和大数据量的概括能力。在放射学中，DL已经应用于临床上的多个领域，如从乳腺癌患者的预对比MRI扫描中生成增强T1加权扫描、冠状动脉CT血管成像的钙质评分的量化以及从MRI扫描中生成增强T1加权扫描。

在过去的几年里，各种DL模型已经显示出在冠状动脉狭窄检测和斑块定量方面的潜力，卷积神经网络也被用于CT血管成像图像的分割和自动狭窄定量。此外，一些研究已经应用卷积神经网络模型来实现颈动脉粥样硬化的斑块分类和量化。然而，由于从主动脉到颅骨的范围很广，而且脑动脉血管迂回曲折、分支较多，很少有研究对头颈部CT血管成像扫描的狭窄检测进行研究。

近日，发表在Radiology杂志的一项研究开发了一种基于卷积神经网络的自动方法，该方法可对头颈部CT血管造影图像进行准确的狭窄检测和斑块分类，并将其与放射科医生的性能进行了比较。

研究利用2020年3月至2021年7月期间从四家三级医院回顾性收集的头颈部CT血管成像图像构建并训练了一项深度学习（DL）算法。CT扫描按7:2:1的比例被划分为训练、验证和独立测试集。2021年10月至2021年12月期间，在四个三级中心之一前瞻性地收集了CT血管成像扫描的独立测试集。狭窄等级分类如下：轻度狭窄（<50%）、中度狭窄（50%-69%）、重度狭窄（70%-99%）以及闭塞（100%）。将该算法的狭窄诊断和斑块分类与两位放射科医生（有10年以上的经验）达成共识的基本事实进行了比较，并从准确性、敏感性、特异性和接受者操作特征曲线下的面积等方面分析了模型的性能。

共有3266名患者（平均年龄±SD，62岁±12；2096名男性）接受了评估。放射科医生和DL辅助算法在斑块分类上的一致性为85.6%（374例中的320例[95%CI：83.2，88.6]）。此外，人工智能模型协助了放射科医生的视觉评估，比如增加了其对狭窄程度的信心。这使放射科医生诊断和撰写报告所需的时间从28.8分钟±5.6分钟减少到12.4分钟±2.0（P < .001）。

 图 多重规划器重新格式化、曲线规划器重新格式化、最大密度投影和容积渲染图像显示了人工智能（AI）误诊的示例（箭头和方框）。(A)图像显示人工智能将伪影误判为严重狭窄。(B)图像显示由颅内动脉瘤夹层引起的伪影被人工智能误认为严重狭窄（方框）。(C, D)图像显示管壁钙化有明显的光束硬化伪影，使AI高估了狭窄程度（箭头和方框）

本项研究表明，用于头颈部CT血管造影判读的深度学习算法准确地确定了血管狭窄和斑块分类，并且与有经验的放射科医生具有同等的诊断性能。

原文出处：

Fan Fu,Yi Shan,Guang Yang,et al.Deep Learning for Head and Neck CT Angiography: Stenosis and Plaque Classification.DOI:10.1148/radiol.220996

Tags： Radiology：深度学习在头颈部CT血管造影中的应用