圖1. 基於深度學習的OCT
斑塊自動分割結果與專家標註結果
研究在中國、美國、澳大利亞、日本和西班牙共5家中心入組了391例穩定冠心病患者的509幅OCT影像,從中獲得10517個和1156個截面數據分別用於AI卷積神經網絡模型的訓練與驗證。另外,由來自於3家國際頂尖心血管影像核心實驗室的OCT專家(美國紐約CRF的Akiko Maehara博士、Ziad A. Ali博士、哈爾濱醫科大學附屬第二醫院iMcorelab中心的賈海波博士以及丹麥奧爾胡斯大學醫院的Niels R. Holm博士)對額外來自三個核心實驗室的300張臨床圖像進行獨立驗證,以專家們的診斷共識作為金標準對AI模型開展獨立外部驗證:在300幀OCT影像中,共有來自45個病變的604處斑塊區域被標記,598個斑塊(99%)達到了診斷共識。進一步,該研究以三個核心實驗室對OCT影像的診斷共識作為金標準,評估神經網絡模型的性能。結果顯示,網絡在不同斑塊類別上均表現出較高的診斷準確率(軟體與金標準的重疊率超過80%),其中纖維斑塊的準確率最高,為97.6%,脂質為90.5%,鈣化斑塊為88.5%。
此外,該研究將模型集成到商業分析軟體OctPlus中(博動醫學影像科技(上海)有限公司),通過後處理算法實現對斑塊的定量評估與三維顯示。軟體的分割速度高達0.07 秒/幀,而在核心實驗室的人工標註則至少需要幾分鐘來完成一張圖像的評估。
研究合作單位包括哈爾濱醫科大學附屬第二醫院、福建醫科大學附屬協和醫院、美國紐約心血管研究基金會(Cardiovascular Research Foundation, CRF),丹麥奧爾胡斯大學醫院,中國醫學科學院阜外醫院,愛爾蘭國立高威大學等國內外十家單位。研究獲得到了國家自然科學基金項目和科技部重點項目的支持,論文(DOI: 10.4244/EIJ-D-20-01355)連結:
https://eurointervention.pcronline.com/article/automatic-characterisation-of-human-atherosclerotic-plaque-composition-from-intravascular-optical-coherence-tomography-using-artificial-intelligence