本刊讯（通讯员 于涵秋 王蕾）近日，首都医科大学宣武医院、中华医学会放射学分会委员卢洁教授团队在Radiology在线发表了题为"基于人工智能（AI）实现头颈动脉CT血管造影（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。该研究基于AI完成对头颈动脉CTA血管狭窄诊断及斑块成分识别，实现了AI对头颈动脉CTA从重建到诊断的临床全流程优化。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
本刊讯（通讯员 于涵秋 王蕾）近日，首都医科大学宣武医院、中华医学会放射学分会委员卢洁教授团队在Radiology在线发表了题为"基于人工智能（AI）实现头颈动脉CT血管造影（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。该研究基于AI完成对头颈动脉CTA血管狭窄诊断及斑块成分识别，实现了AI对头颈动脉CTA从重建到诊断的临床全流程优化。
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实现头颈动脉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例行头颈动脉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首都医科大学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±2.0 min。从重建到诊断，该系统可将时间从45.2±4.3 min减至14.2±1.4 min。该系统的应用极大降低了临床医生及技师的工作负担，优化头颈动脉CTA临床诊疗全流程，提升影像科医生的工作效率。
