正如2018-2019年美国心脏协会和美国心脏病学会胆固醇和预防指南指出的那样，当CVD风险可能性不确定时，CAC评分是重新细化动脉粥样硬化性CVD 10年风险的有效手段。CAC评分是通过使用平扫心脏CT评估的，然而多项报告表明，在非专用方案获得的CT扫描上应用冠状动脉钙化评分能够预测CVD风险。此外，胸主动脉钙化(TAC)是心血管疾病的预测因子。

现阶段，临床上已开发了多项用于评估动脉粥样硬化风险的基于CT的深度学习（DL）钙化评分方法，尽管这类DL钙化评分方法均在特定的CT扫描方案中取得了接近于医生的出色诊断性能，但在多种CT检查类型中其性能尚不明确。

近日，发表在Radiology杂志的一项研究评估了DL方法在多种CT检查类型上自动进行钙化评分的性能，并研究在将代表性图像添加到现有训练数据集时该方法是否可以适应不同类型的CT检查，为临床快速、简便的获得患者有关动脉粥样硬化风险的相关信息提供了技术支持。

本项研究包括了7240名参与者，每位参与者均接受了包括心脏CT在内的各种类型的平扫CT检查:冠状动脉钙化(CAC)评分CT、胸部诊断CT、PET衰减校正CT、放射治疗计划CT、CAC筛查CT和胸部低剂量CT。CAC和胸主动脉钙化(TAC)使用卷积神经网络进行量化，这些卷积神经网络经过以下进行训练:(a) 1181次低剂量胸部CT检查(基线)，(b)在基线基础上补充各自类型的小组检查，(c)所有可用类型的联合检查。根据每个人群的钙化负荷，补充包含199-568张CT图像的训练集。采用DL、手动(Agatston) CAC和(体积)TAC评分之间的类内相关系数(ICCs)评价DL算法的性能，并采用心血管危险类别(Agatston评分;心血管疾病风险等级:0、1-10、11-100、101-400、>400)进行评分。

基线时，在不同类型的CT检查中，DL算法得出CAC的ICCs为0.79-0.97,TAC为0.66-0.98。针对特定CT扫描方案训练的ICCs提高到0.84-0.99 (CAC)和0.92-0.99 (TAC)，联合训练ICCs提高到0.85-0.99 (CAC)和0.96-0.99 (TAC)。对于心血管疾病风险类别的确定，所有测试CT扫描的κ值为基线训练的0.90(95%置信区间[CI]: 0.89, 0.91)。在特定数据训练和联合训练中，其增加到0.92 (95% CI: 0.91, 0.93)。

图1 CT图像包括来自国家肺部筛查试验(NLST)的肺部筛查CT、冠状动脉钙评分CT (CAC -CT)、PET衰减校正CT(AC_PET) 、胸部诊断CT、放射治疗计划CT和来自杰克逊心脏研究(JHS)的CT检查。提示左前降支(黑色箭头)、左回旋支(白色箭头)、右冠状动脉(黑色箭头)、主动脉(白色箭头)有钙化。

图2 冠状动脉钙化(CAC) CT、PET衰减校正CT (AC_PET)、临床胸部CT和放射治疗计划 CT中手动评分与自动评分比较胸主动脉钙化体积(立方毫米)的Bland-Altman图(虚线)。基线算法CAC CT的系数a为21.9,b为238.3;ACPET CT分别为40.4和2859.2，诊断性胸部CT分别为11.9和218.0;放射治疗检查分别为8.1和17.5。联合算法CAC CT的系数a为11.5，系数b为220.5;ACPET CT分别为17.2和2226.1;诊断性胸部CT分别为11.4和23.9;放射治疗检查分别为6.7和227.1。

综上所述，本研究在大型和多样化的CT检查集中验证了深度学习算法的有效性。结果表明，当在大的训练集中添加少量有代表性的训练实例时，该深度学习方法能够很好地适应以前未见过的CT类型。本研究提出了一种结合了所有CT类型训练的深度学习模型和专业模型，该模型在临床实践中显示出来极大的临床价值及实用潜力。

原文出处：

Sanne G M van Velzen,Nikolas Lessmann,Birgitta K Velthuis,et al.Deep Learning for Automatic Calcium Scoring in CT: Validation Using Multiple Cardiac CT and Chest CT Protocols.DOI:10.1148/radiol.2020191621