3月7日，首都医科大学宣武医院卢洁教授团队在放射学顶级期刊《Radiology》在线发表了题为“基于AI实现头颈动脉CTA狭窄诊断及斑块成分识别”（Deep learning for head and neck CT angiography: stenosis and plaque classification）的论文。该研究为AI在头颈CTA血管重建系统的延续（Nature Communications，2020），在前期研究的基础上进一步基于AI完成对头颈CTA血管狭窄诊断及斑块成分识别，实现了AI对头颈CTA从重建到诊断的临床全流程优化。《Radiology》期刊2022年影响因子IF为29.146分，H-index为295，中科院JCR综合性期刊1区TOP。论文的第一作者为卢洁教授团队傅璠博士。

目前，临床完成头颈CTA的狭窄诊断和斑块成分识别主要依赖于医生对从主动脉弓到颅内动脉所有血管的主观判断，平均一个病人的诊断及报告书写时间约30分钟，医院需要投入极大的专业人力。随着头颈CTA检查数量的不断增多，临床诊断医生的工作压力逐渐增大。同时，医生的主观判断也存在异质性较高的问题，尤其在临界值附近的狭窄（50%和75%）难以精准判断。

研究基于加权的骨架算法融合先验知识进行血管中心线的精准提取，结合多角度血管狭窄检测模型（MAVS）实现头颈CTA管腔狭窄的定量诊断。在斑块成分识别方面，利用3D ResU-Net网络在轴位图对斑块进行分割，进而结合多特征回归模型实现斑块分类（钙化斑块、非钙化斑块和混合斑块）。

本研究共纳入3266例行头颈CTA检查的患者（2096例男性和1170例女性，平均年龄62岁）进行模型构建，之后前瞻性纳入 142例CTA图像进行AI狭窄诊断及斑块成分识别与医生的比较。以两名高年资医生的诊断结果作为金标准，AI在狭窄诊断（κ=0.84）及斑块成分识别（κ=0.78）与医生具有较高的一致性。AI诊断≥50%狭窄的敏感性、特异性、阳性预测值、阴性预测值及准确性分别为95%、83%、97%、77%和93%。AI对钙化斑块、非钙化斑块和混合斑块分类的准确性分别为91.8%、80.7%和81.3%。与医生诊断相比，AI可提供狭窄定量数值，因此可辅助临床医生临界值的准确诊断。本文同时总结分析了该系统在宣武医院的应用情况，可将医生狭窄诊断及报告书写时间由28.8±5.6 min减至12.4±2.0min。从重建到诊断，该系统可将时间从45.2±4.3min减至14.2±1.4min。该系统的应用极大降低了临床医生及技师的工作负担，优化头颈CTA临床诊疗全流程，提升影像科医生的工作效率。

该研究由北京市自然科学基金（Z190014）；国家自然科学基金重点项目（82130058）等资助。