心电图（ECG）门控计算机断层扫描（CT）上的冠状动脉钙化（CAC）评分是评估心血管事件风险的既定标志，与传统的风险因素相比具有附加的预后评估价值。随着胸部CT检查利用率的提高和CT肺癌筛查的启动，在非心电图门的胸部CT检查中偶然发现CAC的情况也在增加。在不同人群中，胸部CT上CAC的存在和严重程度是未来心血管疾病预后的预示性标志。因此，尽管进行胸部CT的主要指征不是为了评估CAC，但在非心电图门控的胸部CT检查中评估CAC的重要性已经得到认可。因此，2016年心血管计算机断层扫描学会/胸腔放射学会的指南建议，在≥40岁的患者的所有平扫胸部CT扫描中评估和报告CAC，并将其严重程度估计为无、轻度、中度或重度。此外，建议对用于肺癌筛查的低剂量胸部CT（LDCT）进行CAC报告。

尽管有这些建议，但在LDCT上的人工Agatston评分必须由熟练的专业人员进行，并且需要使用专用软件的额外处理时间。人工智能（AI）是计算机科学的一个分支，致力于创建系统来执行通常需要人类智慧的任务，已被广泛应用于医学领域。其中，机器学习是一个研究领域，可使计算机有能力从数据中学习模式，而无需明确编程。深度学习（DL）是机器学习的一个子集，使多层神经网络的计算变得可行。最近，一些研究人员提出了基于DL的自动CAC评分技术、用于心电图门控的钙质评分CT（CSCT），以减轻人工CAC评分所需的精力和时间。

近日，发表在European Radiology杂志的一项研究在非心电图门控LDCT上验证了基于人工智能的全自动CAC评分系统，为临床快速、准确、便捷的发现心血管疾病的存在并进行风险分层提供了技术支持。

本项回顾性研究包括来自三个学术机构的452名受试者，参与者同时接受了心电图门控钙质评分计算机断层扫描（CSCT）和LDCT扫描。对于所有的CSCT和LDCT扫描，使用基于AI的软件进行自动CAC评分（CAC_auto），并将手动CAC评分（CAC_man）设定为参考标准。使用类内相关系数（ICC）和Bland-Altman图评估了CAC_auto的可靠性和一致性，并与CAC_man进行了比较。使用加权卡帕（κ）统计分析了CAC_auto和CAC_man在CAC严重程度类别上的可靠性。

CAC_auto在CSCT和LDCT上获得了很高的ICC（分别为0.998，95%置信区间（CI）为0.998-0.999和0.989，95%CI为0.987-0.991），平均差值与95%的协议范围分别为1.3±37.1和0.8±75.7。CAC_auto在CSCT上对CAC严重程度的评估达到了极好的可靠性（κ=0.918-0.972），在LDCT上达到了良好到优秀，但在数据集之间的可靠性存在差异（κ=0.748-0.924）。

图 Bland-Altman图显示手动冠状动脉钙化评分（CAC_man）和自动冠状动脉钙化评分（CAC_auto）之间的一致性。（A）所有受试者（n = 452）的CSCT和（B）LDCT。CSCT，钙质评分计算机断层扫描；LDCT，低剂量计算机断层扫描

本项研究表明，基于人工智能的LDCT自动CAC评分软件在多机构数据集中显示出与人工CAC评分的相似的诊断准确性及可靠性；但同时指出，该准确性及可靠性在不同机构之间有所不同。

原文出处：

Young Joo Suh,Cherry Kim,June-Goo Lee,et al.Fully automatic coronary calcium scoring in non-ECG-gated low-dose chest CT: comparison with ECG-gated cardiac CT.DOI:10.1007/s00330-022-09117-3