非对比增强、心电图触发的冠状动脉钙化评分计算机断层扫描（CSCT）是一种有价值的诊断工具，可以在最小的辐射暴露下识别冠状动脉钙化（CAC）。该技术可以独立于传统的风险评估模型，可靠地预测无症状个体未来的心血管事件。美国和欧洲的临床指南都推荐将CSCT用于选定的无症状个体，特别是那些测试前临床CV风险评估处于中间水平的个体。

Agatston评分（AS）于20世纪90年代初引入，至今仍是CSCT中冠状动脉钙评分（CACS）分级和冠状动脉疾病（CAD）风险评估的主要方法。然而，替代技术如体积评分（VS）和质量评分（MS）已经被开发出来以提高CACS评估的可靠性和可重复性。传统上，胸科放射科专家或心脏病专家使用半自动软件来完成这项相对简单的任务，其中包括手动识别和标记CAC病变。随着全球对CSCT的采用不断增加，对更有效和自动化的评估系统的需求也越来越大。

近年来，人工智能（AI）在放射学领域取得了重大进展。几项研究表明，人工智能能够在更短的评估时间内达到放射科医生对CACS的诊断准确性。这表明，在CACS的背景下，人工智能提供了协助或潜在取代人类阅读者的前景，为减轻临床工作量和提高整体效率提供了机会，有助于检测和解决与偏见、可变性和可扩展性相关的问题，有助于开发值得信赖和有效的人工智能系统。

最近，发表在European Radiology 上的一篇文章利用瑞典心肺生物图像研究（SCAPIS）的大量数据，评估了AI与钙评分CT （CSCT）检查的半自动评估之间的相关性和一致性。

本项研究于2015年10月8日至2018年6月12日期间，在Linköping大学医院的一台CT系统上共进行了5057次CSCT检查。将人工智能评估与SCAPIS中专家读者评估的半自动CSCT结果进行了比较。Agatston （AS）、volume （VS）、mass scores （MS）、病变数量和病变位置采用Pearson相关、class内相关系数（ICC）和Bland-Altman分析。采用加权kappa分析评价Agatston评分对心血管（CV）危险分类的一致性。

本项研究纳入评估对象4567例，其中男性2229例（48.8%），女性2338例（51.2%），年龄50 ~ 64岁（平均57.3±4.4）。在队列中，AS从0到2871不等，其中2846名受试者的AS为0。平均和中位AS分别为51.4和0.0。总AS、VS、MS和病变ICCs数分别为0.994、0.994、0.994、0.960 （p < 0.001）。Bland-Altman分析显示，AS为-0.04,-52.5至52.4，VS为-0.44,-46.51至45.63，MS为-0.07,-9.62至9.48，平均差异为±1.96 SD。加权kappa分析对CV风险分类的准确率为0.913，总体准确率为91.2%。

 图 人工智能和半自动（SA）评估导致1、2、3或4个风险组转移的心血管风险组错误分类的对比图。a风险组错误分类的总数，即假阳性和假阴性的组合。b危险组错误分类分为冠状动脉钙化检测假阳性和假阴性用于AI和SA评价

本项研究表明，人工智能与半自动评价在钙评分、病变数量、病变位置等方面均具有良好的相关性和一致性。同时，研究发现心血管疾病风险分类具有高度的一致性和准确性。

原文出处：

Lilian Henriksson,Mårten Sandstedt,Patrik Nowik,et al.Automated AI-based coronary calcium scoring using retrospective CT data from SCAPIS is accurate and correlates with expert scoring.DOI:10.1007/s00330-024-11118-3

Tags： European Radiology：基于人工智能的冠状动脉钙化自动评分