这篇研究论文题为《Evaluation of stenoses using AI video models applied to coronary angiography》，发表于《npj Digital Medicine》期刊2024年7:138期。它由来自蒙特利尔综合理工学院（Polytechnique Montréal）、蒙特利尔心脏研究所（Montreal Heart Institute）、蒙特利尔大学（Université de Montréal）、加州大学旧金山分校（University of California, San Francisco）等机构的Élodie Labrecque Langlais、Denis Corbin、Olivier Tastet、Ahmad Hayek、Gemina Doolub、Sébastien Mrad、Jean-Claude Tardif、Jean-François Tanguay、Guillaume Marquis-Gravel、Geoffrey H. Tison、Samuel Kadoury、William Le、Richard Gallo、Frédéric Lesage和Robert Avram等多位学者共同完成。这项研究是一项关于利用人工智能（AI）技术革新冠状动脉疾病（CAD）诊断方法的原始研究，因此属于类型a。
以下将对该研究进行详细的学术报告。
本研究致力于解决心血管疾病临床诊断中的一个核心难题：冠状动脉狭窄评估的标准化与准确性。冠状动脉造影（CAG）是目前评估冠状动脉疾病严重程度的“金标准”。然而，临床实践中，医生主要依赖对CAG视频（一种动态的X射线影像序列）的视觉判读来估计狭窄百分比。这种方法存在显著的观察者内和观察者间变异性（文献报道在6.9%至26.4%之间），缺乏客观标准，可能导致对治疗必要性（如是否需要血运重建）的判断不一致。尽管存在更精确的定量冠状动脉造影（QCA）技术，但其操作繁琐、耗时，且依赖医生手动选择图像，因此多用于研究而非常规临床。生理学评估（如血流储备分数FFR）和血管内成像等技术虽然能补充信息，但因需要额外设备和专业知识，仅用于少数病例（约10-20%）。因此，开发一种高效、客观、可自动化运行的评估工具，对于提高CAD诊断的精准性、减少不必要的手术并改善患者预后具有迫切的临床需求。
人工智能，特别是深度学习，为医学影像的标准化分析提供了巨大潜力。然而，既往针对CAG的AI研究多存在局限性：例如，训练数据集规模小；依赖静态图像而非临床实际使用的动态视频，丢失了关键的时序信息；模型需要人工输入辅助；排除标准严苛，导致模型在真实世界数据上的泛化能力不足；或者仅能对狭窄进行“正常/异常”的二元分类，无法提供连续的严重程度百分比。此外，在准确将狭窄定位到特定的冠状动脉节段方面，现有方法（如CathAI）的性能也有待提升。基于此背景，研究团队设定了主要目标：开发一个名为DeepCoro的、基于视频的AI分析流程，旨在自动定位CAG视频中的狭窄并评估其严重程度，并在一个大规模的、历时5年的真实世界CAG数据集上，将其性能与心脏病专家的视觉评估进行对比。次要目标包括：将DeepCoro的性能与现有的、基于静态图像的先进流程（CathAI）进行对比；评估DeepCoro与人类评估者之间的一致性，以及与QCA评估结果的相关性。
DeepCoro是一个复杂的、端到端的算法流程，旨在模拟心脏病专家分析CAG视频的动态过程。其工作流程包含六个核心算法（Algorithm 1-6），其中Algorithm 3-6是本研究的创新贡献。整个流程针对以DICOM格式存储的CAG视频进行操作。
首先，Algorithm 1（主要解剖结构检测算法） 沿用了CathAI中已训练的基于Xception架构的图像分类模型。它的任务是识别视频帧中最常出现的主要解剖结构（如右冠状动脉RCA、左冠状动脉LCA、主动脉等）。该算法用于筛选视频，仅保留主要包含RCA或LCA的视频进入后续分析，排除其他无关结构的影像。
其次，Algorithm 2（狭窄检测算法） 同样基于CathAI中已训练的RetinaNet模型。这是一个目标检测模型，用于在视频的每一帧中定位冠状动脉节段和狭窄区域，并用边界框（bounding box）标出其坐标。它为每个检测到的狭窄区域确定一个“参考帧”和对应的“参考区域”（即狭窄边界框）。
接下来是本研究的创新算法。Algorithm 3（配准算法） 旨在解决心脏搏动和呼吸导致的血管运动问题。它使用判别相关滤波器来跟踪“参考区域”在视频序列前后帧中的空间位置变化，并通过空间平移将所有帧对齐到参考帧的坐标系，从而生成一个针对该狭窄区域的、稳定的“已配准视频”。
然后，Algorithm 4（分割算法） 对已配准的视频进行逐帧分析。研究团队测试了多种先进的分割模型和损失函数，最终选择了一个由七个模型组成的集成模型。该算法的目标是将冠状动脉分割为11个特定的心外膜节段（RCA和LCA各包含若干近端、中段、远端节段），生成带有节段标签的分割图谱。该算法在公开数据集ARCADE上进行了训练和验证，在测试集上获得了73.93%的Dice分数，表明其分割结果与人工标注有良好的一致性。
Algorithm 5（冠状动脉节段识别算法） 的任务是将检测到的狭窄精确地分配给特定的冠状动脉节段。它的原理是：在已配准的分割视频的每一帧中，检查狭窄边界框中心区域的像素属于哪个分割出的冠状动脉节段。通过对整个视频中所有帧的节段预测进行多数投票，得出该狭窄最终所属的节段。在数据集B（人工标注子集）上，该算法对所有11个节段的总体阳性预测值（PPV）达到71.89%，敏感性为70.72%，显著优于CathAI采用的边界框重叠方法（PPV 59.10%）。
最后，Algorithm 6（狭窄百分比预测算法） 是整个流程的最终输出环节。研究团队采用并修改了先进的视频分类Transformer模型——Swin3D，将其用于回归任务（预测0-100%的连续狭窄百分比）。模型输入是经过Algorithm 3配准并裁剪出的狭窄区域视频片段（24帧），同时结合了患者年龄和所属冠状动脉（LCA或RCA）的信息。该模型在大型数据集上进行了训练，旨在从动态视频中学习狭窄的形态学特征。
研究使用了四个数据集。核心数据集数据集A来源于蒙特利尔心脏研究所（MHI）临床数据库，时间跨度为2017年至2021年，包含182，418个CAG视频。经过前述算法1-5的处理，并排除了经皮冠状动脉介入治疗（PCI）和既往有冠状动脉旁路移植术（CABG）患者的视频后，最终形成了包含44，138个狭窄节段视频的数据集，用于Algorithm 6的训练、验证和测试。其标签来源于临床报告中心脏病专家的视觉评估。数据集B是从MHI数据库中随机抽取的1，926个视频子集，由两位经验丰富的心脏病专家独立重新标注了狭窄百分比、节段归属等信息，用于评估算法性能、观察者间变异性和开发PCI排除算法。数据集C是公开的ARCADE分割数据集，用于训练和评估Algorithm 4。数据集D来自MHI的QCA核心实验室，包含QCA测量的狭窄百分比作为金标准，用于验证DeepCoro在经过微调后能否适应这种更精确但一致性更高的标注方式。
研究的主要结果令人印象深刻，全面验证了DeepCoro流程的有效性和优越性。
在算法组件性能方面：Algorithm 3（配准）在数据集B上成功配准了96.63%的视频。Algorithm 4（分割）在数据集C的测试集上表现良好。Algorithm 5（节段识别）的准确率显著高于对比方法CathAI。最重要的是Algorithm 6（狭窄预测）的性能：在数据集A的测试集上，DeepCoro对于LCA和RCA合并评估，其预测狭窄百分比的平均绝对误差（MAE）为20.15%，分类任务的曲线下面积（AUROC）为0.8294。值得注意的是，对于相对结构更简单的RCA，模型性能更优（MAE 17.82%， AUROC 0.8643）。
在与现有技术CathAI的对比中，DeepCoro展现了全面优势。在相同的冠状动脉节段分配（使用DeepCoro的Algorithm 5结果以确保公平）下，DeepCoro的视频模型在狭窄分类（AUROC: 0.8294 vs. 0.7953）和回归（MAE: 20.15% vs. 21.61%）任务上均显著优于CathAI的静态图像模型。这证明了利用视频时序信息的重要性。
在评估观察者间变异性时，研究将DeepCoro和原始临床报告的评估结果，与数据集B中两位专家标注的“共识金标准”进行对比。结果发现，DeepCoro的预测与专家共识更为接近：其MAE为19.09%，低于临床报告的21.00%；AUROC为0.8699，显著高于临床报告的0.7533。这表明DeepCoro不仅达到了专家级的评估水平，甚至可能提供比单一临床报告更一致、变异更小的评估结果。
最后，为了展示模型的适应性和可微调性，研究团队在数据集D（QCA标注）上对Algorithm 6进行了微调。微调后的模型在预测QCA测量的狭窄百分比时，MAE大幅降低至7.75%。这一结果与QCA方法本身变异性较低的特性相符，证明了DeepCoro能够通过适应不同的金标准来显著提升其预测精度，具备处理不同临床任务（如自动化QCA测量）的潜力。
本研究的结论是明确且有力的：DeepCoro代表了一种在CAG视频解读方面的重大进步。 它成功开发并验证了一个基于视频的、多步骤的AI分析流程，能够自动化地、准确地定位冠状动脉狭窄并评估其严重程度，性能达到甚至超越了心脏病专家的视觉评估，且变异性更低。该流程的创新性在于其综合运用了血管跟踪配准、集成化血管分割和基于Transformer的视频分析模型，首次实现了对动态CAG视频的端到端、全自动分析，更贴近临床医生的实际诊断模式。
这项研究的科学价值和应用价值十分突出。科学上，它证明了视频AI模型在分析复杂动态医学影像（如CAG）方面相对于静态图像模型的显著优势，为后续相关研究提供了新的方法论范式和公开的模型权重（已发布于Hugging Face平台），将加速该领域的研究进展。应用上，DeepCoro有潜力成为一种标准化的CAG评估工具，嵌入临床工作流程，作为“独立观察者”辅助医生决策。这有望减少不同医生间的主观评估差异，提高诊断的一致性，从而优化血运重建治疗决策（如是否进行PCI或CABG），避免不必要的手术，并可能通过更早、更准地识别需要干预的病变来改善患者预后。研究还建议，下一步可通过随机对照试验（RCT）来验证使用DeepCoro辅助决策是否能最终改善患者的临床结局。
本研究的亮点在于：第一，方法学创新：首次提出了一个完整的、基于视频的CAG自动分析流程，其中的配准、集成分割和视频Transformer预测算法均为针对该任务的重要创新。第二，数据规模与真实性：研究基于超18万个视频、跨度5年的大型真实世界临床数据集，模型经过严格训练和验证，泛化能力和临床适用性强，排除标准相对宽松，更贴近现实。第三，性能卓越：模型在狭窄节段识别和严重程度预测上均优于现有的先进方法（CathAI），且其预测结果与专家共识的一致性高于常规临床报告。第四，灵活性与可拓展性：研究证明了DeepCoro可通过微调适应不同的评估标准（如QCA），展现了其在自动化QCA测量、钙化评估、甚至Syntax评分计算等更多临床应用场景中的潜力。
此外，研究也对DeepCoro的局限性进行了坦诚讨论，包括：其训练标签本身源于有变异性的视觉评估；目前模型专注于11个主要冠状动脉节段，未涵盖分支血管；对PCI和CABG术后病例的分析性能下降（因此被排除在训练集外）；以及当前单视频分析耗时约62.6秒，需进一步优化以满足实时临床需求。这些均为未来的改进指明了方向。DeepCoro为冠状动脉疾病的精准、自动化诊断迈出了坚实的一步，是人工智能与心血管医学交叉融合的一个典范。