论文部分内容阅读
第一部分 冠状动脉CTA人工智能后处理技术评估冠脉狭窄程度的应用研究目的探讨人工智能(Artificialintelligence,AI)后处理技术应用于冠状动脉CT血管造影(Coronary artery CT angiography,CCTA)在评估冠状动脉狭窄效能及可行性方面的临床价值。方法 回顾性分析我院自2016年01月至2017年08月共145例冠状动脉粥样硬化性心脏病患者的CCTA图像。对所有列入本次研究的患者均进行CCTA检查,同时在CCTA检查后3个月内进行冠脉DSA(Digital Subtraction Angiography)检查。并将所有CCTA图像导入手动后处理及AI后处理分析工作站。根据后处理方式不同,将CCTA图像分为2组:手动后处理分析组(手动分析组)、AI后处理分析组(AI组)。分别对左主干(Left main coronary artery,LM)、左前降支(Left anterior descending branch,LAD)、左回旋支(left circumflex,LCX)及右冠状动脉(Right coronary artery,RCA)进行以下分析:(1)手动分析组、AI组及DSA组对冠脉狭窄程度判断结果的比较;(2)手动分析组及AI组后处理时间的比较。结果1.AI对图像的后处理时间较手动分析明显缩短(P<0.05);2.在诊断冠脉狭窄程度方面:以DSA为参照标准,AI组对四支血管(9个节段的冠脉狭窄程度判断的一致性低于手动分析组;AI组与手动分析组对冠脉轻、中度狭窄判定存在不同程度过度诊断(AI组过度诊断率分别为7.02%、6.06%;手动分析组过度诊断率分别为8.19%、6.06%)3.AI组与手动分析组在RCA近段狭窄程度判断的一致性较好(Kappa≥0.75),对LM、RCA中段、LAD近中段、LCX近段狭窄程度判断的一致性一般(0.4≤Kappa<0.75)。结论AI对CCTA图像后处理效率较高,且对RCA近段狭窄程度的评估与手动分析一致性较好,对冠脉血管狭窄诊断的假阳性率较手动分析高,基于人工智能的CCTA自动后处理技术的准确性仍有待进一步提高。第二部分 冠状动脉CTA人工智能后处理技术评估冠脉斑块性质的应用研究目的探讨人工智能(Artificial intelligence,AI)后处理技术应用于冠状动脉CT血管造影(Coronary artery CT angiography,CCTA)在冠脉斑块检出、斑块性质判断方面的临床价值。方法回顾性分析我院自2016年01月至2017年08月共145例冠状动脉粥样硬化心脏病患者的CCTA图像。对所有列入本次研究的患者均进行CCTA检查,同时在CCTA检查后3个月内进行冠脉DSA(Digital Subtraction Angiography)检查。并将所有CCTA图像导入手动后处理及AI后处理分析工作站。根据后处理方式不同,将CCTA图像分为2组:手动后处理分析组(手动分析组)、AI后处理分析组(AI组)。分别对LM、LAD、LCX及RCA进行以下分析:以手动分析组为参考标准,手动分析组与AI组对冠脉斑块检出及斑块性质判断的一致性及差异率分析。结果1.145例患者DSA组共检出249支、337节段,手动分析组共检出298支、358节段,AI组共检出353支、485节段冠状动脉粥样硬化斑块病灶。2.AI组与手动分析组对于钙化及非钙化斑块之间的鉴别诊断结果间差异存在统计学意义(P<0.05)3.AI对钙化斑的误诊率较高(36.17%);结论AI对不同斑块性质的鉴别诊断效能有待进一步提高。