冠脉CT血管造影斑块人工智能定量参数与血流储备分数的关系

doi:10.3969/j.issn.1006-5725.2024.17.023

摘要/Abstract

摘要：

目的探讨冠脉CT血管造影（CCTA）斑块人工智能（AI）定量参数与CT血流储备分数（FFR-CT）的相关性。方法收集怀疑冠心病患者共84例，男52例，女32例，年龄27 ~ 81岁，平均（58.1 ± 11.9）岁，均行CCTA检查。将图像传输至数坤软件并对冠脉血管标记、斑块分析、计算相应FFR-CT值。斑块AI参数包括长度、体积、最小管腔面积（MLA）、最狭窄程度（MLD）、脂类体积及占比、纤维脂类体积及占比、纤维体积及占比、钙化体积及占比。FFR-CT≤0.8定义为可能存在血流动力学异常或心肌缺血。评估斑块参数与FFR-CT相关性，采用二元logistic回归筛选冠脉血流储备异常（FFR-CT ≤ 0.8）的独立危险因素，采用ROC曲线及曲线下面积（AUC）评价其诊断效能，计算灵敏度、特异度及模型预测准确率。结果 84例患者主要症状为胸痛（39例，占46.4%）与胸闷（27例，占32.1%）。Spearman相关分析结果显示FFR-CT与MLA呈正相关（r = 0.49，P < 0.000 1），与长度、体积、脂类体积、纤维脂类体积、纤维体积及钙化体积呈负相关（r = -0.44、-0.56、-0.40、-0.36、-0.42、-0.40，P < 0.05），其中与MLD呈中等程度负相关（r = -0.60，P < 0.000 1）。单因素logistic回归分析结果显示斑块长度、体积、MLA、MLD、脂类体积、纤维脂肪体积、纤维体积、钙化体积等参数是FFR-CT ≤ 0.8的独立危险因素（P < 0.05）。经调整后的多因素logistic回归分析结果显示，MLD是FFR ≤ 0.8的独立危险因素（OR= 1.082，95%CI：1.034 ~ 1.133，P = 0.001），预测模型为logit（P） = 0.079X₁ - 4.052，X₁为MLD值，预测准确率为85.2%。斑块长度、MLD、脂类体积、纤维体积及钙化体积诊断冠脉血流动力学异常（FFR-CT ≤ 0.8）的AUC分别为0.796、0.886、0.711、0.754、0.698，灵敏度与特异度分别为47.83%、73.91%、73.90%、52.17%、60.87%与92.11%、73.68%、60.53%、84.21%、89.47%，5种指标联合诊断的AUC为0.906，灵敏度与特异度为73.91%、71.05%。结论冠脉斑块AI参数与FFR-CT存在不同程度相关性，MLD是FFR-CT ≤ 0.8的独立危险因素，具有较高的诊断效能。

关键词: 冠脉CT血管造影, 斑块定量分析, 血流储备分数, 人工智能

Abstract:

Objective To investigate the relationship between coronary artery plaque AI quantitative parameter and FFR-CT in coronary computed tomography angiography. Methods A total of 84 patients suspected of having CAD ［52 males and 32 females， aged 27 to 81 years with a mean age of （58.1 ± 11.9） years］ were enrolled in this study. All patients underwent coronary computed tomography angiography. The CCTA data was processed using shukun（SK） software for labeling and analysis of the coronary arteries， as well as obtaining quantitative parameters of coronary artery plaque AI and corresponding FFR-CT values. The quantitative parameters included plaque length， total volume， minimum lumen area （MLA）， minimal lumen degree （MLD）， lipid composition volume and proportion， fibrous-lipid composition volume and proportion， fibrous composition volume and proportion， calcified composition volume and proportion. Coronary artery hemodynamic abnormality or myocardial ischemia was defined as an FFR-CT value ≤ 0.8. Correlational analysis was performed to evaluate the association between AI plaque quantitative parameters and FFR-CT values. Univariate and multivariate binary logistic regression analyses were conducted to identify independent risk factors for predicting FFR-CT ≤ 0.8. The predictive performance of the model based on AI plaque quantitative parameters was assessed using receiver operating characteristic （ROC） curve analysis and calculation of the area under the curve （AUC）. Sensitivities， specificities， diagnostic test accuracy rates were also calculated. Results The predominant symptoms observed in the cohort of 84 patients were chest pain （n = 39， 46.4%） and distress （n = 27， 32.1%）. Spearman analysis results revealed a weak positive correlation between FFR-CT and MLA （r = 0.49， P < 0.000 1）， while weak negative correlations were found for plaque length， total volume， lipid composition volume， fibrous-lipid composition volume， fibrous composition volume， and calcified composition volume （r = -0.44， -0.56， -0.40， -0.36， -0.42， -0.40； all P < 0.05）. Additionally， MLD exhibited a moderate negative correlation with FFR-CT （r = -0.60， P < 0.000 1）. In the univariate binary logistic regression analysis， several variables including plaque length， total volume， MLA， MLD， lipid composition volume， fibrous-lipid composition volume， fibrous composition volume， and calcified composition volume were found to be independently associated with FFR-CT ≤ 0.8 （All P < 0.05）. The adjusted multivariate binary logistic regression analysis model revealed that MLD was the sole independent predictor （OR= 1.082， 95%CI：1.034 ~ 1.133， P = 0.001）. The logistics regression model expression was logit（P）=0.079X₁ - 4.052， where X₁ represents the value of MLD and achieved a predictive accuracy of 85.2%. The ROC AUC of plaque length， total volume， MLA， MLD， lipid composition volume， fibrous-lipid composition volume， fibrous composition volume and calcified composition volume were 0.796， 0.886， 0.711， 0.754 and 0.698 respectively， and the coresponding sensitivities and specificities were 47.83%， 73.91%， 73.90%， 52.17%， 60.87% and 92.11%， 73.68%， 60.53%， 84.21%， 89.47%. The five indexes combined diagnostic model possessed the largest AUC of 0.906， and 73.91%， 71.05% of sensitivity and specificity. Conclusion The AI quantitative parameters of coronary artery plaque exhibited varying degrees of correlation with FFR-CT， while MLD emerged as the sole independent predictor of FFR-CT ≤ 0.8， demonstrating high diagnostic efficiency.

Key words: coronary computed tomography angiography, plaque quantitative analysis, fraction flow reserve, artificial intelligence

中图分类号:

R541.4

姚庆东,张呈兵,付军,王鹏,龙斌,刘海峰. 冠脉CT血管造影斑块人工智能定量参数与血流储备分数的关系[J]. 实用医学杂志, 2024, 40(17): 2489-2494.

Qingdong YAO,Chengbing ZHANG,Jun FU,Peng WANG,Bin LONG,Haifeng. LIU. The correlation analysis of coronary artery plaque AI quantitative parameter with FFR-CT in coronary CT angiography[J]. The Journal of Practical Medicine, 2024, 40(17): 2489-2494.

图/表 6

图1

表1

表2

表3

图2

表4

参考文献 24

1	张晓蕾，唐春香，李建华，等. 冠状动脉CTA：斑块特征定量参数与血流储备分数的相关性分析［J］. 放射学实践， 2018， 33（12）： 1261-1265.
2	庞智英，杨飞，苏亚英，等. 冠状动脉CT血管成像联合基于CT的血流储备分数预测阻塞性冠心病主要不良心脏事件的价值［J］. 实用医学杂志， 2021， 37（20）： 2675-2680.
3	TESCHE C， DE CECCO C N， ALBRECHT M H， et al. Coronary CT Angiography-derived Fractional Flow Reserve［J］. Radiology， 2017， 285（1）： 17-33. doi:10.1148/radiol.2017162641 doi: 10.1148/radiol.2017162641
4	李苏豫，唐春香，张龙江. 冠状动脉CT血管成像评估易损斑块新进展［J］. 中华放射学杂志， 2022， 56（3）： 330-334.
5	ZHUANG B， WANG S， ZHAO S， et al. Computed tomography angiography-derived fractional flow reserve （CT-FFR） for the detection of myocardial ischemia with invasive fractional flow reserve as reference： systematic review and meta-analysis［J］. Eur Radiol， 2020， 30（2）： 712-725.
6	BECKER L M， PEPER J， VERHAPPEN B J L A， et al. Real world impact of added FFR-CT to coronary CT angiography on clinical decision-making and patient prognosis-IMPACT FFR study［J］. Eur Radiol， 2023， 33（8）： 5465-5475.
7	BUDOFF M J， DOWE D， JOLLIS J G， et al. Diagnostic performance of 64-multidetector row coronary computed tomographic angiography for evaluation of coronary artery stenosis in individuals without known coronary artery disease： results from the prospective multicenter ACCURACY （Assessment by Coronary Computed Tomographic Angiography of Individuals Undergoing Invasive Coronary Angiography） trial［J］. J Am Coll Cardiol， 2008， 52（21）： 1724-1732.
8	KOO B K， ERGLIS A， DOH J H， et al. Diagnosis of ischemia-causing coronary stenoses by noninvasive fractional flow reserve computed from coronary computed tomographic angiograms： results from the prospective multicenter DISCOVER-FLOW （Diagnosis of Ischemia-Causing Stenoses Obtained Via Noninvasive Fractional Flow Reserve） study［J］. JACC， 2011， 58（19）： 1989-1997.
9	QIAO H Y， WU Y， LI H C， et al. Role of Quantitative Plaque Analysis and Fractional Flow Reserve Derived From Coronary Computed Tomography Angiography to Assess Plaque Progression［J］. J Thorac Imaging， 2023， 38（3）： 186-193.
10	LIU X， WANG Y， ZHANG H， et al. Evaluation of fractional flow reserve in patients with stable angina： can CT compete with angiography？［J］. Eur Radiol， 2019， 29（7）： 3669-3677. doi:10.1007/s00330-019-06023-z doi: 10.1007/s00330-019-06023-z
11	宋瑶，霍怀璧，李晗，等. 冠状动脉CTA多参数AI特征对急性冠脉综合征的诊断价值［J］. 放射学实践， 2023， 38（7）： 873-878.
12	王林源，邓勇志. 影像组学在冠状动脉CT血管成像评价易损斑块中的研究进展［J］. 中国心血管病研究，2023，21（9）：776-781.
13	丁恩慈，陆东燕，魏利娟，等. 动脉粥样硬化易损斑块无创检测的分子影像研究进展［J］. 中国CT和MRI杂志， 2022， 20（12）： 184-185， 187.
14	MIN J K， LEIPSIC J， PENCINA M J， et al. Diagnostic accuracy of fractional flow reserve from anatomic CT angiography［J］. JAMA， 2012， 308（12）： 1237-1245.
15	于昊冉，刘挨师. CCTA在评估冠状动脉粥样硬化易损斑块中的应用价值［J］. 中国CT和MRI杂志， 2023， 21（5）： 180-182，188.
16	杨友常，汤晓强，潘昌杰. 基于CT的纹理分析在鉴别冠状动脉易损斑块和稳定斑块中的价值研究［J］. 临床放射学杂志， 2021， 40（11）：2228-2230.
17	PLANK F， BURGHARD P， FRIEDRICH G， et al. Quantitative coronary CT angiography： absolute lumen sizing rather than% stenosis predicts hemodynamically relevant stenosis［J］. Eur Radiol， 2016， 26（11）： 3781-3789.
18	DRIESSEN R S， STUIJFZAND W J， RAIJMAKERS P G， et al. Effect of plaque burden and morphology on myocardial blood flow and fractional flow reserve［J］. J Am Coll Cardiol， 2018， 71（5）： 499-509. doi:10.1016/j.jacc.2017.11.054 doi: 10.1016/j.jacc.2017.11.054
19	南丽虹，李睿君，冯进堂，等. 基于CT血管成像的斑块定量分析在冠状动脉血流动力学异常诊断中的应用价值［J］. 中华解剖与临床杂志， 2021， 26（5）： 504-510.
20	TESCHE C， OTANI K， DE CECCO C N， et al. Influence of coronary calcium on diagnostic performance of machine learning CT-FFR： results from MACHINE registry［J］. JACC Cardiovasc Imaging， 2020， 13（3）： 760-770.
21	YU M， LU Z， SHEN C， et al. The best predictor of ischemic coronary stenosis： subtended myocardial volume， machine learning-based FFR CT， or high-risk plaque features？［J］. Eur Radiol， 2019， 29（7）： 3647-3657. doi:10.1007/s00330-019-06139-2 doi: 10.1007/s00330-019-06139-2
22	纪欣强，赵润涛，单冬凯，等. 全病变血流储备分数梯度可预测心肌血流异常：基于冠状动脉CT血管造影［J］. 分子影像学杂志， 2023， 46（5）： 779-786.
23	YAN H， GAO Y， ZHAO N， et al. Change in computed tomography-derived fractional flow reserve across the lesion improve the diagnostic performance of functional coronary stenosis［J］. Front Cardiovasc Med， 2022， 13（8）： 788703.
24	TAKAGI H， LEIPSIC J A， MCNAMARA N， et al. Trans-lesional fractional flow reserve gradient as derived from coronary CT improves patient management： advance registry［J］. J Cardiovasc Comput Tomogr， 2022， 16（1）： 19-26. doi:10.1016/j.jcct.2021.08.003 doi: 10.1016/j.jcct.2021.08.003

参数指标	统计结果
长度/mm	12.11（6.97，21.79）
体积/mm³	47.25（19.89，110.30）
MLA	5.33（3.55，7.97）
MLD	50.00（20.00，60.50）
脂类
体积/mm³	2.12（0.01，6.76）
占比/%	4.24（0.12，11.26）
纤维脂类
体积/mm³	7.16（2.18，27.38）
占比/%	24.15（3.30，45.33）
纤维
体积/mm³	11.90（3.14，21.58）
占比/%	23.90（12.53，34.05）
钙化
体积/mm³	11.64（0.50，56.10）
占比/%	26.25（1.75，81.09）

斑块参数	β值	标准误	Wald χ ² 值	OR值	95%CI	P值
性别	0.234	0.535	0.191	1.263	0.443～3.603	0.662
年龄	0.017	0.023	0.534	1.017	0.972～1.063	0.465
长度	0.146	0.043	11.353	1.158	1.063～1.261	0.001
体积	0.024	0.007	11.633	1.024	1.010～1.038	0.001
MLA	-0.373	0.117	10.137	0.689	0.548～0.867	0.001
MLD	0.087	0.020	19.652	1.090	1.049～1.133	0.000
脂类体积	0.110	0.047	5.436	1.116	1.018～1.224	0.020
脂类占比	0.014	0.030	0.228	1.014	0.956～1.076	0.633
纤维脂类体积	0.043	0.017	6.096	1.044	1.009～1.080	0.014
纤维脂类占比	0.010	0.012	0.598	1.010	0.985～1.035	0.439
纤维体积	0.075	0.026	8.164	1.078	1.024～1.136	0.004
纤维占比	-0.008	0.012	0.469	0.002	0.969～1.015	0.493
钙化体积	0.027	0.009	8.622	1.028	1.009～1.047	0.003
钙化占比	-0.001	0.007	0.017	0.999	0.986～1.013	0.897

[1]	张锐,周颖,倪文吉,黄亚,李丹丹,金涛,钟勇. 人工智能视网膜微血管分析在糖尿病并发症中的应用价值[J]. 实用医学杂志, 2024, 40(8): 1142-1147.
[2]	黄良江,毛德文,郑景辉,王明刚,姚春. 人工智能在肝性脑病风险预测模型中的应用进展[J]. 实用医学杂志, 2024, 40(3): 289-294.
[3]	陆再丽,李超中,夏洁,吴雨竹,赵然尊. 基于光学相干断层成像的血流储备分数在冠心病诊疗中的应用研究进展[J]. 实用医学杂志, 2024, 40(20): 2960-2964.
[4]	万静芳,陈客宏. 维持性血液透析患者最佳透析液碳酸氢盐浓度的研究进展[J]. 实用医学杂志, 2024, 40(18): 2520-2524.
[5]	金启成,吕江红,许立龙,魏洪芬,汤桐芳,张传菊,李世岩. 不同超声成像参数对S-Detect技术用于乳腺结节良恶性鉴别诊断中的影响[J]. 实用医学杂志, 2023, 39(22): 2891-2897.
[6]	徐蕊何明钰刘新峰王荣品周丽明邓飞虎丁国恒. 磁共振新兴技术在肝纤维化的研究进展[J]. 实用医学杂志, 2023, 39(1): 124-128.
[7]	李聪, 孔令聪, 胡联亭袁海云任赟, 赵翰鹏, 王艳, 陈炫卉刘华章况宇梁会营余洪华杨小红, . 基于光学相干断层扫描血管成像技术智能预测先天性心脏病围术期转归的临床研究 [J]. 实用医学杂志, 2022, 38(9): 1136-1140.
[8]	廖淑婷于向荣 . 能谱CT和人工智能在甲状腺癌诊断中的应用 [J]. 实用医学杂志, 2022, 38(2): 129-1133.
[9]	王爽冯艳红. 全自动三维超声右心室定量评价慢性肺源性心脏病患者右室收缩功能[J]. 实用医学杂志, 2022, 38(19): 2476-2480.
[10]	杨琳琳刘刚易锐王娟谢振华刘成琼陈洁. 急性肾损伤风险预测方法的研究进展[J]. 实用医学杂志, 2022, 38(18): 2367-2372.
[11]	罗刚泮思林乔思波庞善臣陈涛涛孙玲玉董玉坤. 深度学习技术在胎儿超声心动图图像自动识别中的应用[J]. 实用医学杂志, 2022, 38(14): 1830-1833.
[12]	杨磊唐灿. 人工智能在乳腺癌超声诊断的应用价值[J]. 实用医学杂志, 2022, 38(1): 106-110.
[13]	庞智英杨飞苏亚英刘峰汤林梦崔书君. 冠状动脉CT血管成像联合基于CT的血流储备分数预测阻塞性冠心病主要不良心脏事件的价值 [J]. 实用医学杂志, 2021, 37(20): 2675-2680.
[14]	李波李欢姬广海王朋徐聃彭婕. CT 视觉定量评估及人工智能对进展期新型冠状病毒肺炎严重程度的评估和预测价值 [J]. 实用医学杂志, 2021, 37(1): 11-15.