基于人工智能的头颈动脉CTA在检测颈内动脉斑块中应用研究.pdf

中文摘要

基于人工智能的头颈动脉CTA在检测颈内动脉斑块中应用研

究

摘要

目的：探讨基于人工智能（artificialintelligence,AI）的头颈动脉CTA

检查对颈内动脉粥样硬化性狭窄（intracranialatheroscleroticstenosis,ICAS）

斑块的诊断效能，及其与高分辨磁共振血管壁成像（highresolution

magneticresonancevesselwallimaging,HRMR-VWI）检测斑块特征分析

的一致性研究。

方法：（1）收集2021年12月~2023年12月在河北医科大学第三医

院就诊期间，接受头颈动脉CTA及HRMR-VWI检查的36例有颈内动脉

粥样硬化斑块患者的临床资料及影像学资料。（2）由影像医师人工后处

理组（人工组）及AI后处理组（AI组）分别对入组患者头颈动脉CTA

原始图像进行后处理，分别记录两组后处理时间及报告诊断时间。（3）

记录AI组患者头颈动脉CTA中颈内动脉C1~C6段斑块特征数据，影像

医师在HRMR-VWI（HRMR-VWI组）中测量同一患者颈内动脉C1~C6

段斑块特征数据，比较两组斑块数据特征。

结果：收集36例ICAS患者影像资料，共计74处病变斑块。（1）

后处理时间：与人工组相比，AI组后处理时间[14s（12s，14s）vs366s

（316.25s，425.5s），P＜0.05]、诊断报告时间[（23.61min±5.69min）vs

（35.5min±6.38min），P＜0.05]。（2）斑块狭窄程度：两组间对斑块检

出个数相同，AI组在双侧颈内动脉C1（P=0.569）、C2（P=1.000）、C3

（P=1.000）、C4（P=0.749）、C5（P=1.000）、C6（P=0.346）段狭窄

斑块检出无统计学差异；对血管狭窄程度轻度、中度及中重度有较高一致

性，AI组的AUC值及95%CI分别为[0.919（0.889-0.943），P＜0.01]、

[0.801（0.760-0.837），P＜0.01]、[0.822（0.782-0.856），P＜0.01]。

（3）斑块分类：AI组、HRMR-VWI组与医师协商诊断颈内动脉钙化斑

块、混合斑块及非钙化斑块分类比较，均无统计学差异（P＞0.05）；AI

组与HRMR-VWI组对斑块成分分类有较高一致性（Kappa=0.804，P＜

0.05）。（4）斑块重构：AI组与HRMR-VWI组在血管壁重构评估中有

1

中文摘要

较高的一致性，无统计学差异（P＞0.05）。

结论：（1）AI智能辅助头颈CTA较人工组明显缩短后处理及诊断

报告时间，有较高的诊断效能。（2）AI智能辅助系统在头颈动脉CTA

对粥样硬化斑块特征识别与影像医师在HRMR-VWI诊断斑块特征有较

高的一致性，可作为HRMR-VWI检查的替代方案，减少诊断环节。

关键词：人工智能，计算机断层血管造影，高分辨磁共振血管壁成像，

颅内动脉粥样硬化斑块，深度学习

2

目录

中文摘要············································································································1

英文摘要···········································