基于人工智能测量的冠状动脉钙化积分与CT-FFR及斑块特征的相关性

摘要

目的 采用冠状动脉CT血管成像联合数坤科技智慧平台（AI）分析冠状动脉钙化积分（CACS）与无创血流储备分数（CTFFR）及斑块特征的相关性。方法 根据AI测量的CACS数值，将2021年1月～2022年12月于蚌埠医科大学第一附属医院行冠状动脉CT血管成像检查的208例患者分为低度钙化组（n=73,0分400分）。比较各组一般临床资料及AI测量下的犯罪血管及犯罪斑块的特征参数，并分析特征参数与CACS组别的相关性，通过绘制ROC曲线计算曲线下面积（AUC）评估单一指标及联合指标对两个组别（低度钙化组-中度钙化组、中度钙化组-高度钙化组）的诊断效能。结果 AI测量下，CT-FFR、斑块长度、斑块体积、最小管腔面积（MLA）在不同CACS组的差异均有统计学意义（P<0.05），斑块类型在低度钙化组-中度钙化组间差异有统计学意义（P<0.05），在中度钙化组-高度钙化组的差异无统计学意义（P>0.05）。多因素Logistic回归分析显示，年龄、CT-FFR、斑块体积、MLA是更高CACS组的危险因素，斑块体积与CACS严重程度呈正相关（r=0.437,P<0.001）,CT-FFR、MLA与其呈负相关（r=-0.640,-0.658,P<0.001）。ROC曲线显示，在低钙化积分组-中钙化积分组，CT-FFR、斑块体积、MLA及联合指标的AUC值分别为0.731、0.678、0.748、0.824；在中钙化积分组-高钙化积分组，CT-FFR、斑块体积、MLA及联合指标的AUC值分别0.741、0.670、0.746、0.840。CT-FFR、斑块体积、MLA三个联合指标在两个组别的诊断效能均大于单一指标。结论 AI测量下，CT-FFR、斑块体积、MLA在不同CACS组均有显著差异，是更高CACS组的危险因素，CT-FFR、MLA在不同CACS组均表现出良好的诊断效能，CT-FFR、斑块体积、MLA联合时诊断效能明显提高。

关键词

人工智能 / 冠状动脉钙化积分 / 无创血流储备分数 / 斑块特征