01
文献学习
今天分享的文献是由首都医科大学附属北京安贞医院放射科徐磊教授等团队于2026年1月在《Radiology: Artificial Intelligence》（中科院1区，IF=13.2）上发表的研究“Deep Learning for Coronary Stenosis Detection in Heavily Calcified Plaques at Coronary CT Angiography: A Stepwise, Multicenter Study”即深度学习在冠状动脉CT血管造影中检测重度钙化斑块所致冠状动脉狭窄的应用：一项逐步式、多中心研究，该研究开发并验证了一种两阶段、多视角的深度学习模型，用于在冠状动脉CT血管造影中自动检测重度钙化斑块（Agatston评分>300）引起的≥50%冠状动脉狭窄。研究采用定量冠状动脉造影作为金标准，逐步在多个外部测试数据集和前瞻性队列中验证模型性能，并评估其对不同年资放射科医生诊断表现的影响。
创新点：①专攻重度钙化难题：首次针对Agatston评分>300的重度钙化斑块患者，开发自动化冠脉狭窄检测模型，填补了CCTA在此类难点人群中的技术空白。②两阶段多视图框架：模拟放射科医生阅片模式，结合钙化检测网络与狭窄识别网络，输出连续狭窄百分比，可解释性强。③逐步、多中心、前瞻性验证：采用回顾性训练、外部测试、读者研究及前瞻性真实世界模拟的分层验证设计，证据级别高。
临床价值：①显著提升特异性，减少不必要检查：辅助放射科医生将患者水平特异性提高7%-11%，有望降低因钙化伪影导致的有创冠脉造影转诊率。②提高阅片一致性，缩小经验差距：显著提升不同年资医生间的诊断一致性（Fleiss κ提高0.155-0.228），有助于标准化报告。③优于常规临床报告，部署潜力大：在前瞻性数据集中，模型AUC达0.91，显著高于临床报告的0.76，支持其作为辅助工具融入真实临床工作流。
图 1：深度学习系统与多阶段验证流程概览
02
研究背景和目的
研究背景
冠状动脉CT血管成像（CCTA）凭借其高阴性预测值，已被美国心脏协会和欧洲心脏病学会指南推荐为低至中等临床预测试概率患者排除冠心病的首选无创检查方法。然而，在存在重度钙化斑块（Agatston评分>300）的患者中，钙化引起的** blooming伪影和部分容积效应会显著夸大钙化灶的尺寸，导致对管腔狭窄程度的高估，从而降低CCTA诊断的特异性，增加假阳性结果的发生率。这种诊断局限性常导致不必要的有创冠状动脉造影或下游功能性检查，尤其在冠状动脉疾病报告与数据系统（CAD-RADS）分类≥3级的患者中更为突出。既往的钙化去 blooming算法或减影CCTA虽有一定改善，但存在手动配准耗时、配准伪影频繁等问题，难以在临床常规流程中推广。近年来，深度学习技术在心血管影像自动化判读方面展现出潜力，但其在重度钙化背景下的冠脉狭窄评估效果尚未得到充分验证。因此，亟待开发一种能够自动、准确地检测重度钙化斑块所致管腔狭窄**的系统，以提升CCTA在钙化负荷重患者中的诊断价值。
研究目的
本研究旨在开发并验证一种两阶段、多视角的深度学习模型，用于在CCTA图像上自动检测重度钙化斑块（Agatston评分>300）患者中直径狭窄率≥50%的冠脉狭窄，并以定量冠状动脉造影（QCA）为金标准进行系统评估。具体目标包括：（1）利用来自三家中国三级医院的10 101例CCTA检查进行模型训练与内部测试，并在两个独立医院的442例外部验证数据集中评估模型在节段、血管和患者三个层面的诊断性能；（2）通过包含120例的读者研究，评估深度学习辅助对不同年资放射科医师（初级、主治、高级）诊断准确性和一致性的提升效果；（3）利用150例前瞻性收集的CCTA检查进行真实世界模拟比较，验证模型与临床原始报告的性能差异。研究通过多中心、分步验证设计，系统检验模型在重度钙化这一挑战性临床场景下的泛化能力和实际应用价值。
03
数据和方法
研究数据
开发数据集：10,101例CCTA（2017.6–2020.12），来自中国3家三甲医院，分为训练集（9046例）和内部测试集（1055例）
外部测试集1：442例（Agatston评分>300），来自2家独立医院，用于模型性能评估
外部测试集2：120例，用于读片者研究，评估DL辅助对医生诊断的影响
外部测试集3：150例（前瞻性收集，2023.6–7），用于模拟真实世界临床部署，比较模型与临床报告的性能
技术方法
模型架构：两阶段DL框架
钙化检测网络（Faster R-CNN）
狭窄识别网络（多视角ResNet），输出连续狭窄百分比
金标准：QCA（由2名经验>14年的心内科医生完成）
评估指标：敏感性、特异性、PPV、NPV、准确性、AUC，DeLong检验、Fleiss κ、Cohen κ等
读片者研究：3名不同年资放射科医生（3年、10年、>15年）独立评估，4周后使用DL辅助再次评估
前瞻性测试：比较DL模型与原始临床报告在外部测试集3中的诊断性能
04
实验结果
外部测试集1（n=442）：
段、血管、患者水平的特异性分别为78%、72%、48%
AUC分别为0.89、0.90、0.87
CAD-RADS分类一致性κ=0.724，96%处于同一或相邻类别
读片者研究（n=120）：
DL辅助使放射科医生患者水平特异性提高7%-11%（P<.001）
读片者间一致性显著提高（Δκ=0.155–0.228，P<.05）
DL的CAD-RADS一致性与QCA相比优于所有医生（κ=0.704 vs 0.442–0.602）
前瞻性测试（n=150）：
DL模型AUC显著高于临床报告（0.91 vs 0.76，P<.001）
特异性为53%，敏感性为98%
亚组分析：
模型在年龄、性别、设备、医院间表现一致
Agatston评分>600组性能略低于300–600组（AUC 0.85 vs 0.86，P=.034）
图 2：深度学习模型在外部测试集1中的诊断性能
图2包含两个子图。图2A显示了深度学习模型在外部测试集1中检测≥50%狭窄的ROC曲线，其AUC在血管节段水平为0.89、血管水平为0.90、患者水平为0.87，表明模型在不同分析层级均具有较高的判别能力。图2B为QCA与深度学习模型预测结果之间的混淆矩阵，依据CAD-RADS分类（0-5级）进行对比。结果显示，节段水平上96%的狭窄分级与QCA相差不超过一个CAD-RADS类别，且Cohen κ系数达到0.724，表明模型与金标准之间具有良好的一致性。该图有力证明了模型在重度钙化斑块患者中自动评估狭窄程度的准确性。
图 3：读者研究——深度学习辅助对不同年资放射科医生的影响
图3汇总了外部测试集2中深度学习模型、单独放射科医生（初级、主治、高级）以及深度学习辅助下放射科医生的诊断性能。图表分三个层级展示：血管节段（A-C）、血管（D-F）和患者（G-I）。结果显示，深度学习辅助显著提升了所有年资医生的特异性：患者水平特异性分别提高11%、11%和7%（均P<0.001），且敏感性保持不变或略有改善。同时，AUC值均显著提高，如初级医生在患者水平的AUC从0.80升至0.89。该图直观体现了人机协作在克服钙化伪影、减少假阳性方面的临床价值。
图 4：真阳性病例——深度学习正确检出梗阻性狭窄
图4展示了一个典型真阳性病例，其中深度学习模型成功识别出左前降支（LAD）中由重度钙化斑块引起的梗阻性狭窄（≥50%）。图4A-C分别为曲面重建图、拉直曲面重建图及横断面图像，模型预测狭窄程度为70%-99%，图中绿色线条标示1mm间隔的横截面位置。图4D为定量冠状动脉造影（QCA）参考标准，证实该狭窄确实超过70%。通过对比CCTA与QCA图像，可见深度学习模型能够有效克服钙化所致的 blooming 伪影，准确评估真实管腔狭窄程度。该病例体现了模型在挑战性场景下的可靠判别能力。
图 5：真阴性病例——深度学习正确排除梗阻性狭窄
图5展示了一个典型真阴性病例，其中深度学习模型判断左前降支的狭窄程度为25%-49%，即未达到梗阻性狭窄（<50%）。图5A-C展示了曲面重建、拉直曲面重建及横断面视图，模型给出的预测结果为非梗阻性。图5D的QCA金标准证实狭窄确实低于50%。该病例说明尽管存在重度钙化，深度学习模型仍能避免高估狭窄程度——这正是CCTA传统判读中因钙化伪影导致假阳性的常见原因。图中清晰呈现了钙化斑块与管腔的关系，模型成功识别出管腔通畅性，体现了其在提高特异性方面的实际效果。
图 6：深度学习模型在外部测试集3（前瞻性验证）中的性能
图6总结了深度学习模型在前瞻性收集的外部测试集3（150例，模拟真实临床部署）中的表现。图6A展示了ROC曲线，模型在节段、血管和患者水平的AUC分别为0.88、0.89和0.91，显著优于同期临床报告（患者水平AUC仅0.76，P<0.001）。图6B为CAD-RADS分级的混淆矩阵，显示96%的节段分级与QCA相差不超过一个类别。值得关注的是，模型在患者水平的特异性为53%，虽低于节段和血管水平，但仍显著高于临床报告（34%）。该图验证了深度学习模型在真实世界临床环境中的优越性，尤其是对重度钙化患者的假阳性率控制能力。
05
研究结论
该研究成功开发并验证了一个用于冠状动脉CT血管造影（CCTA）中重度钙化斑块（Agatston评分>300）患者自动检测冠状动脉狭窄（≥50%）的深度学习（DL）模型。在外部测试数据集中，模型在段、血管和患者水平上均表现出良好的诊断性能，特异性分别达到78%、72%和48%，AUC分别为0.89、0.90和0.87。读者研究显示，DL辅助可显著提升不同年资放射科医生的诊断特异性（提升7%-11%，P<0.001），并显著提高阅片者间的一致性（Δκ=0.155-0.228），同时不损害敏感性。前瞻性测试中，模型的AUC（0.91）显著高于临床报告（0.76，P<0.001），显示出更优的真实世界应用潜力。亚组分析提示模型在不同年龄、性别、设备和机构中均表现稳健，仅在极重度钙化（Agatston评分>600）时准确性略有下降。综上，该DL模型能够自动、准确地评估重度钙化条件下的冠脉狭窄，有效提高CCTA的特异性和阅片一致性，有望减少因钙化伪影导致的假阳性诊断和不必要的下游有创检查，为临床决策提供更可靠的辅助工具。
参考文献：Wang R, Wang S, Zhang L, Schoepf UJ, Zhang F, Chen W, Zhou Z, Fang Z, Hu B, Yu Y, Zhang J, Wang X, Zhang L, Xu L. Deep Learning for Coronary Stenosis Detection in Heavily Calcified Plaques at Coronary CT Angiography: A Stepwise, Multicenter Study. Radiol Artif Intell. 2026 Jan;8(1):e250109. doi: 10.1148/ryai.250109.
