人工智能在冠心病中的应用

应用领域

算法

简要介绍

效能评估

冠心病诊断

人工神经网络

Guner等将其与 G-MPI结合

人工神经网络和专家解读的诊断效能无统计学差异（AUC：0.74 和 0.84，P>0.05），同时接受算法辅助组的核医学医师的诊断效能优于无辅助组（分别提升 11% 和 7%，P<0.05）

Nakajima 等采用相同算法进行一项多中心的验证研究，验证该算法和基于负荷总积分（SSS）/静息总积分（SRS）/ 灌注积分差（SDS）的传统半定量模式对冠心病患者的诊断效能

相比于从传统目测方法获得 SSS和SDS，人工神经网络在负荷灌注缺损（AUC：0.92 和 0.82，P<0.0001）和负荷所致缺血（AUC：0.90和 0.75，P><0.0001）的诊断效能上均优于传统的半定量积分法><0.0001）和负荷所致缺血

（AUC：0.90和 0.75，P<0.0001）的诊断效能上均优于传统的半定量积分法

Shibutani等将人工神经网络算法进一步用于局限性灌注缺损的诊断中

算法在诊断负荷灌注缺损的效能上显著优于专家（AUC：0.946，0.865，P<0.05）

支持向量机

Dolata⁃ badi 等将该算法应用于根据动态心电图 ST 段变化这一心率变应性指标来识别健康人群和冠心患者群

准确性可以达到 99.2%（敏感性为 98.43%，特异性为 100%）

LogitBoost

Dey等以CCTA发现的冠脉斑块特征为研究对象，拟通过分析斑块特征来预测 LogitBoost 算法对心肌缺血及其冠心病的诊断价值

CT自带软件的诊断效能均劣于基于算法的诊断模型（AUC：0.63-0.76 和 0.84，P< 0.005）

(SVM&LogitBoost)

+G-MPI

支持向量机用于融合非校正 G-MPI图像的相关参数，LogitBoost算法通过整合心肌灌注量化信息和临床参数以达到提高诊断准确性的目的

机器学习算法与 G-MPI图像结合对冠心病的诊断效能显著优于传统的人工阅读法（AUC：0.87-0.88 和 0.92，P<0.05；AUC：0.85- 0.89和0.94，P><0.0001）

卷积神经网络&长短期记忆网络

Tan等进一步比较了叠加的卷积神经网络和长短期记忆网络

在敏感性（99.85%）、特异性（99.84%）和准确度（99.85%）上均优于现有的各种算法模型

其他深度学习

案例(未明确指出具体算法)

Doeberitz 等探索了基于CCTA的不同诊断模型（CCTA计算的狭窄百分比、CCTA 获得的斑块特征及基于深度学习的CT血流储备分数）对血管狭窄所致心肌缺血的诊断效能

单纯使用血管狭窄百分比的AUC为0.61，加入斑块特征后提升至0.83，而采用基于深度学习的 CT 血流储备分数后，AUC 进一步提升至0.93

Hamersvelt 等沿用同样的思路，旨在探索深度学习对有严重功能性狭窄的冠心病患者（血管内血流储备分数≤0.8或冠脉造影提示血管狭窄≥ 90%）的附加诊断价值

AUC 从单纯基于血管狭窄百分比的 0.68 提升至 0.76，其中敏感性从 92.6% 轻度下降至 84.6%，但诊断特异性从 31.1% 显著提升至 48.4%

Betancur 等将深度学习与 G-MPI图像相结合，分别利用原始及定量化处理后的G-MPI图像来研究比较深度学习预测结果与总灌注缺损（TPD）这一传统 G-MPI 参数对阻塞性冠心病的诊断效能

深度学习对患者（AUC：0.80 和

0.78，P<0.01）和血管（AUC：0.76 和 0.73，P<0.01）的诊断效能均优于传统的 TPD参数

冠心病危险度分层

XGBoost

传统的冠心病危险度分层是利用年龄、性别、有无高血压、糖尿病、高胆固醇血症、心血管疾病家族史及吸烟等临床资料对人群进行心血管事件发生概率的预测。Rosendael 等使用XGBoost对特定人群按照从CCTA 获得的血管狭窄程度和斑块特征进行分层，和传统的CCTA风险评分系统如Duke预后量表、Leaman风险评分系统等相比，基于算法的分层模型因精准识别低风险人群

其预测效能更好（AUC： 0.685-0.701 和 0.771，P<0.001）

Banchhor等以此为标准，探索血管内超声下斑块和血管壁特征能否作为新的参数来提高现有的 CADx 系统对冠心病危险度分层的准确性；该研究使用多种机器学习算法进行相关的特征获取

单纯使用斑块特征进行危险度分层预测准确性约为 86%，在增加了血管壁特征后，

对低危和高危人群的分层准确性可提升至91.28%