Evaluating Diagnostic Accuracy of an On-Site Deep Learning-Based CT-FFR Algorithm Using Invasive FFR as the Reference Standard
这项独立的单中心研究证实，一种基于深度学习的现场 CT-FFR 算法表现出良好的诊断准确性、与侵入性 FFR 的强相关性以及高重现性，且处理时间适用于同诊程报告，尽管仍需进行多中心基于结局的验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，医生一直依赖两种主要方法来检查心脏动脉是否阻塞。第一种是 CT 扫描，它能拍摄心脏“管道系统”的详细图像。它非常擅长显示管道在哪里变窄，但它无法总是判断这种狭窄是否真的足以阻碍血流并引起问题。第二种方法是一种侵入性程序，通过将一根细线穿过动脉来直接测量压力。这种方法能揭示血流的真相，但它需要住院、插针以及恢复期。多年来，目标一直是弥合这一差距：即从 CT 扫描本身获取精确的压力数据，而无需使用侵入性的导丝。这将使医生能够在患者仍处于放射科诊室时，做出改变生活的治疗决策。
比利时圣约翰医院（AZ Sint-Jan Brugge）的一个研究小组最近对一种新工具进行了测试，以观察这一愿景是否正在成为现实。他们评估了一款计算机程序，该程序利用深度学习（一种人工智能技术），直接从标准 CT 扫描中计算血流压力。该软件直接在查看扫描图像的医院计算机上运行，承诺在几分钟而非几天内得出结果。研究人员想知道，这个现场程序是否能达到侵入性导丝测试的准确度，而后者仍是诊断的“金标准”。他们还想观察不同的医生在使用该工具时是否会得到相同的结果，以及运行这些数据实际需要多长时间。
为了寻找答案，研究小组回顾了 96 名患者的历史记录，这些患者在三个月内先后接受了 CT 扫描和侵入性压力测试。该研究涉及两名具有不同经验水平的医生：一名放射科住院医师和一名资深认证放射科医师。两名医生都使用这款新软件对 CT 扫描进行了分析，该软件会自动绘制动脉图谱并模拟压力状态下的血流情况。随后，软件会预测每个阻塞处的压力值。医生被告知了基于侵入性测试确定的阻塞位置，但他们并不知道该测试的实际压力结果，从而确保其判断保持公正。
结果显示，该计算机程序与侵入性测量结果非常接近。当研究人员将软件预测的压力值与导丝测得的真实测量值进行对比时，两组数据吻历得非常好。这种一致性非常强，以至于在导丝确认存在显著阻塞的情况下，该软件能够正确识别阻塞，AUC 达到 0.80。在动脉健康的情况下，它也能正确识别，AUC 为 0.87。这种准确度水平表明，该工具可以可靠地区分哪些动脉需要干预，哪些不需要，而这对于患者护理来说是一个至关重要的区别。
除了原始准确度外，研究还考察了该工具在不同使用者之间的连贯性。尽管两名医生的经验水平不同，但在分析相同的扫描图像时，他们得出的结果非常相似。当住院医师在数周后对相同的病灶重复进行分析时，结果与第一次几乎完全一致。这种一致性对于医疗工具至关重要，因为它意味着结果取决于技术和患者的解剖结构，而不是取决于使用该工具的具体医生的情绪或技能水平。该软件也证明了其速度之快。在追踪了时间的患者子集中，分析平均耗时 10 分 33 秒。这个速度足以融入标准的日常工作流程，让医生可以在同一个诊疗环节内完成查看扫描图像、运行压力计算并与患者讨论结果。
研究人员指出，该工具并非完美无缺。大多数误差发生在压力处于健康与疾病临界点的情况中，在这个区域，即使是侵入性导丝测试也可能难以解释。在这些棘手的案例中，软件有时会预测得略高或略低。研究还强调，该软件并非完全自动化；它需要医生检查计算机生成的动脉地图，并在图像不清晰（例如由于大量钙化沉积物遮挡视线）时进行微调。这一手动步骤意味着最终答案的质量在一定程度上仍取决于人工操作者。
最终，这项研究提供了强有力的证据，证明深度学习可以将侵入性的精准度带入非侵入性的扫描中。该工具展示了良好的诊断准确性、与金标准导丝测试的高度一致性，以及满足实际应用需求的运行速度。虽然研究人员提醒说，还需要在不同医院开展更大规模的研究以证实这些发现对普通人群的适用性，但结果表明，未来人们可以更有信心地做出打开阻塞动脉的决定，减少延迟，且整个过程都可以在患者舒适的影像中心内完成。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。