现阶段，冠状动脉计算机断层扫描血管造影（CCTA）越来越多地被用作疑似患有冠状动脉疾病（CAD）且症状稳定患者的初始诊断检查方法。CCTA 的优势在于能够以 95% 的总体敏感性准确排除冠状动脉疾病。然而，目前冠状动脉狭窄分级主要基于人工视觉评估，这会受到不同阅片者之间差异的影响。采用冠状动脉疾病报告和数据系统（CAD-RADS 2.0）进行标准化报告，旨在减少 CCTA 阅片者之间的差异，并为患者管理决策提供指导。CAD-RADS 评分是对狭窄进行分类的一个有价值的工具。CAD-RADS 在CAD-RADS 0到CAD-RADS 5 的分级量表上包括六个类别（分别对应 0%、1 - 24%、25 - 49%、50 - 69%、70 - 99% 和 100% 的狭窄程度）以及一个无法诊断的类别（CAD-RADS N）。尽管有这种标准化的 CAD-RADS 报告，但准确解读 CCTA 图像仍需要高水平的专业知识。预计专业的 CCTA 阅片者在检测阻塞性冠状动脉疾病（CAD - RADS ≥ 3）方面的准确性要显著高于非专业阅片者。

然而，专业阅片者的数量并非无限，而 CCTA 扫描的数量却在迅速增加，因此，与 CCTA 相关的工作量预计会不断攀升。人工智能（AI）越来越多地被用于自动化图像分析任务，这可能有助于及时出具报告。对于定量测量，使用基于深度学习的自动模型（DLM）可能会减少观察者之间的差异，并提高 CCTA 报告的效率。先前的研究表明，深度学习模型在自动化分类过程中具有潜力，并且与专业阅片者的意见有较好的一致性。早期一款商用的深度学习模型（CorEx - 1.0；Spimed - AI）在使用 50% 狭窄的二元 CAD - RADS 分类阈值（CAD-RADS 0 - 2 与 CAD-RADS 3 - 5）时，在患者层面的诊断准确率达到了 96%。

最近，发表在European Radiology 上的一篇文章探究了一款最近更新的深度学习模型（CorEx - 2.0）在量化冠状动脉狭窄方面的诊断性能，并分别与两名专业的 CCTA 阅片者的结果作为参考进行了比较。

本项单中心回顾性研究纳入了2017年至2022年间接受 CCTA 检查以排除阻塞性冠状动脉疾病的50名患者。两名专业的 CCTA 阅片者和深度学习模型 CorEx - 2.0 使用冠状动脉疾病报告和数据系统（CAD - RADS）独立评估了所有 150 条血管。通过一致性百分比、患者层面二元 CAD - RADS 分类（CAD - RADS 0 - 3 与 4 - 5）的 Cohen's kappa 值，以及血管层面 6 组 CAD - RADS 分类的线性加权 kappa 值，来评估 CorEx - 2.0 与每位专业阅片者之间的阅片一致性分析和诊断性能。

研究对50名患者和150条血管进行了评估。在患者层面使用二元分类的阅片者间一致性为 91.8%（45/49），Cohen's kappa 值为 0.80。在血管层面进行 6 组分类时，阅片者间一致性为 67.6%（100/148），线性加权 kappa 值为 0.77。CorEx - 2.0 在检测 CAD - RADS ≥ 4 的患者时，敏感性达到 100%。在患者层面使用二元分类时，与两名阅片者相比，kappa 值均为 0.86。在血管层面进行 6 组分类时，CorEx - 2.0 与阅片者 1 相比的加权 kappa 值为 0.71，与阅片者 2 相比的加权 kappa 值为 0.73。

表 在患者水平上使用二元分类（70%）的诊断性能

本项研究表明，与专业阅片者相比，CorEx - 2.0 能够识别出所有患有严重狭窄（CAD - RADS ≥ 4）的患者，并且在血管层面的表现接近专业阅片者的水平（加权 kappa 值 > 0.70）。 

原始出处：

Victor A Verpalen,Casper F Coerkamp,José P S Henriques,et al.Automated classification of coronary LEsions fRom coronary computed Tomography angiography scans with an updated deep learning model: ALERT study.DOI:10.1007/s00330-024-11308-z

Tags： European Radiology：利用深度学习模型从冠状动脉CTA中实现冠状动脉病变的自动分类