AI对非门控胸部LDCT平扫冠状动脉钙化积分危险分层的预测价值

目的 探讨人工智能(AI)在非门控胸部低剂量CT(LDCT)平扫冠状动脉钙化积分(CACS)危险分层中的预测价值.方法 回顾性收集接受冠状动脉CT血管成像(CCTA)检查及非门控LDCT平扫的病人152例(训练集与测试集比例为2:1),训练集为上海长征医院收集的102例病人;测试集为武汉同济医院收集的50例病人.分别由AI模型和2名中年资影像医师在所有病人影像上勾画钙化,获得CACS后进行CACS危险分层(低危、中危和高危),使用手动标注非门控LDCT的训练集数据,构建非门控LDCT的CACS及其危险度分层的AI模型.将测试集数据导入AI模型进行验证,与心电门控CT平扫获得的标准CACS及其危险分层进行对比分析,分别记录放射科医师手动评估及AI模型自动评估测试集CACS所需时间.采用分类准确度、组内相关系数(ICC)、Kappa检验和Bland-Altman一致性分析评估AI模型的性能,并采用Wilcoxon符号秩检验比较AI模型与标准CACS危险分层间的差异.采用配对t检验比较AI、影像医师评估CACS危险分层所需时间.结果 在训练集和测试集中,标准CACS的中位数分别为165.89(36.04,425.76)、96.50(25.75,346.75),AI模型测得CACS的中位数分别为167.07(43.17,449.11)、75.51(24.30,250.74),两者一致性均较好[ICC分别为0.977(0.965,0.984)、0.989(0.980,0.994)].在测试集中进行Bland-Altman一致性分析,结果显示AI模型评估的CACS与标准CACS差值在95％一致性界限内的病例有48例,界限外的只有2例.在训练集和测试集中,AI模型预测的CACS危险度分层与标准CACS危险度分层的一致性均较好(κ值分别为0.895、0.899,均P<0.001).AI模型预测训练集CACS危险分层的分类准确度为97.1％,其中对高危、中危、低危的分类准确度分别为96.9％、95.1％、100％.AI模型预测测试集CACS危险分层的分类准确度为94.0％,其中对高危、中危、低危的分类准确度分别为100.00％、82.40％、100.00％.AI模型预测测试集CACS危险分层与标准CACS危险分层的差异无统计学意义(Z=2.00,P=0.564).采用AI模型评估不同CACS危险分层所需时间均较放射科医师少(P<0.001).结论 AI模型能够较为准确地评估LDCT平扫的CACS及其危险分层,明显提高工作效率,具有一定的临床应用价值.