Leistungsbewertung eines Deep-Learning-basierten Nachbearbeitungs- und Diagnoseberichtssystems für die koronare CT-Angiographie: Eine klinische Vergleichsstudie

Leistungsbewertung eines Deep-Learning-basierten Nachbearbeitungs- und Diagnoseberichtssystems für die koronare CT-Angiographie: Eine klinische Vergleichsstudie

Die koronare Computertomographie-Angiographie (CCTA) hat sich als Eckpfeiler der nicht-invasiven Diagnose der koronaren Herzkrankheit (KHK) etabliert und bietet detaillierte anatomische Einblicke, insbesondere bei der Graduierung von Stenosen. Die Nachbearbeitung und Interpretation von CCTA-Daten bleibt jedoch arbeitsintensiv, da kardiovaskuläre Bildgebungsexperten die Bilder manuell analysieren, die Koronararterien segmentieren und Stenosen quantifizieren müssen. In China dauert dieser Prozess durchschnittlich 30 Minuten pro Fall, was Engpässe im klinischen Arbeitsablauf verursacht. Um diese Herausforderungen zu bewältigen, stellt diese Studie CCTA-AI vor, ein Deep-Learning-basiertes System, das die Nachbearbeitung und die Erstellung von Diagnoseberichten automatisiert. Die Forschung bewertet zwei kritische Aspekte: die durch CCTA-AI erzielten Effizienzgewinne und die diagnostische Genauigkeit im Vergleich zu herkömmlichen Methoden.

Entwicklung und Training von CCTA-AI

Das CCTA-AI-System wurde anhand eines Datensatzes von 10.410 CCTA-Fällen trainiert, die aus 18 Krankenhäusern stammten und in Trainings- (7.287 Fälle), Tuning- (2.082 Fälle) und Validierungssätze (1.041 Fälle) unterteilt wurden. Ein mehrstufiger Annotationsprozess sicherte hochwertige Trainingsdaten:

Erste Qualitätskontrolle: Fälle mit schlechter Bildqualität wurden von Junior-Beurteilern (>2 Jahre Erfahrung) ausgeschlossen.
Detaillierte Annotation: Senior-Beurteiler (>5 Jahre Erfahrung) kennzeichneten die Aorta, die Koronararterien und atherosklerotische Plaques.
Endgültige Überprüfung: Experten-Beurteiler (>10 Jahre Erfahrung) validierten die Annotationen auf Genauigkeit.

Der Algorithmus integrierte Convolutional Neural Networks (CNNs) für die Gefäßsegmentierung, Plaque-Erkennung und Stenosenquantifizierung. Das System verarbeitet Rohdaten der CCTA in strukturierte Berichte, einschließlich 3D-Rekonstruktionen, gekrümmter planarer Reformate und Stenosenprozentsätze, innerhalb einer einheitlichen Benutzeroberfläche (Abbildung 1).

Klinische Validierung: Methodik

Studienkohorten

Diagnostische Genauigkeitskohorte: 335 Patienten unterzogen sich sowohl einer CCTA als auch einer invasiven Koronarangiographie (ICA) innerhalb von sechs Monaten. Die ICA diente als Referenzstandard.
Zeiteffizienzkohorte: 350 aufeinanderfolgende CCTA-Fälle wurden analysiert, um die Bearbeitungsdauer zwischen manuellen und KI-gestützten Arbeitsabläufen zu vergleichen.

Bildgebungsprotokolle

CCTA-Scans wurden mit drei CT-Scannern durchgeführt:

GE Revolution 256-Zeilen-CT
Philips Brilliance 128-Zeilen-CT
GE LightSpeed VCT 64-Zeilen-CT

Die Parameter umfassten eine prospektive EKG-Triggerung, eine Schichtdicke von 0,625 mm und die Injektion von jodhaltigem Kontrastmittel (5–6 mL/s, abhängig vom Patientengewicht). Die ICA wurde mit einem GE Inova 2100-System durchgeführt, wobei die quantitative Koronarangiographie (QCA)-Software zur Stenosenmessung verwendet wurde.

Vergleich der Arbeitsabläufe

Herkömmlicher Arbeitsablauf: Acht Radiologen führten die Nachbearbeitung (Gefäßsegmentierung, Plaque-Kennzeichnung) durch, gefolgt von der Stenosenbewertung durch vier Radiologen.
CCTA-AI-Arbeitsablauf: Vollständig automatisierte Nachbearbeitung und Stenosenquantifizierung ohne menschliches Eingreifen.

Analytische Metriken

Zeiteffizienz: Bearbeitungsdauer für beide Arbeitsabläufe.
Diagnostische Leistung: Sensitivität, Spezifität, negativer prädiktiver Wert (NPV), positiver prädiktiver Wert (PPV) und die Fläche unter der ROC-Kurve (AUC) für die Erkennung von ≥50% und ≥70% Stenosen auf Patienten-, Gefäß- und Segmentebene. Die Koronarsegmente wurden gemäß dem 18-Segment-Modell der Society of Cardiovascular Computed Tomography klassifiziert.

Ergebnisse

Zeiteffizienz

CCTA-AI reduzierte die Bearbeitungszeit erheblich:

Manueller Arbeitsablauf: 160 ± 100 Sekunden pro Fall.
CCTA-AI: 40 ± 900 Sekunden pro Fall (P < 0,0001).
Das KI-System verarbeitete 99,7% der Fälle erfolgreich und scheiterte nur in einem Fall aufgrund eines anomalen Koronararterienursprungs, der während des Trainings nicht erkannt wurde.

Diagnostische Genauigkeit

Analyse auf Patientenebene

Sensitivität:
- ≥50% Stenose: CCTA-AI = 89,3% vs. Fachleute = 82,6% (P = 0,019).
- ≥70% Stenose: CCTA-AI = 72,4% vs. Fachleute = 62,0% (P = 0,038).
Spezifität:
- ≥50% Stenose: CCTA-AI = 55,9% vs. Fachleute = 71,2% (P = 0,006).
- ≥70% Stenose: CCTA-AI = 64,5% vs. Fachleute = 85,5% (P < 0,00001).
AUC:
- ≥50% Stenose: CCTA-AI = 0,76 (95% KI: 0,70–0,81) vs. Fachleute = 0,84 (P = 0,002).

Analyse auf Gefäßebene

Sensitivität:
- ≥50% Stenose: CCTA-AI = 74,6% vs. Fachleute = 76,8% (P = 0,061).
- ≥70% Stenose: CCTA-AI = 54,7% vs. Fachleute = 57,1% (P = 0,615).
Spezifität:
- ≥50% Stenose: CCTA-AI = 80,8% vs. Fachleute = 90,0% (P < 0,0001).
- ≥70% Stenose: CCTA-AI = 87,8% vs. Fachleute = 95,4% (P < 0,0001).

Analyse auf Segmentebene

NPV:
- ≥50% Stenose: CCTA-AI = 93,3% vs. Fachleute = 95,6% (P = 0,003).
- ≥70% Stenose: CCTA-AI = 97,6% vs. Fachleute = 98,2% (P = 0,074).
Spezifität:
- ≥50% Stenose: CCTA-AI = 87,2% vs. Fachleute = 93,7% (P < 0,0001).

Diskussion

Effizienz und Integration in den Arbeitsablauf

Die 75%ige Reduzierung der Bearbeitungszeit durch CCTA-AI adressiert kritische Ineffizienzen in Umgebungen mit hohem Fallaufkommen. Die Kompatibilität mit CT-Scannern mehrerer Hersteller (GE, Philips) unterstreicht die Robustheit und ermöglicht eine breite klinische Anwendung.

Diagnostische Leistung

Während CCTA-AI eine überlegene Sensitivität gegenüber Fachleuten zeigte, verdeutlicht die geringere Spezifität einen Kompromiss. Der hohe NPV (88,8–97,6%) deutet auf einen Nutzen bei der Ausschlussdiagnostik signifikanter Stenosen hin, was die Triage beschleunigen könnte. Auf Patientenebene entsprach die AUC von CCTA-AI (0,76) den vorläufigen Bewertungen der Radiologen, blieb jedoch hinter den arbitrierten Ergebnissen zurück, was die Rolle der KI als Ergänzung und nicht als Ersatz verdeutlicht.

Herausforderungen und Einschränkungen

Diskrepanzen auf Segmentebene: Die geringere Spezifität auf Segmentebene könnte auf Diskrepanzen zwischen der regelbasierten Segmentierung der KI und subjektiven menschlichen Beurteilungen zurückzuführen sein.
Kalziumartefakte: Schwere Verkalkungen, die während der Analyse ausgeschlossen wurden, bleiben eine Herausforderung für automatisierte Systeme.
Anomale Anatomie: Das Scheitern in einem Fall unterstreicht die Notwendigkeit erweiterter Trainingsdaten zu seltenen Koronarvarianten.

Klinische Implikationen

In ressourcenbeschränkten Umgebungen könnte CCTA-AI Fälle priorisieren, die eine dringende Überprüfung erfordern, die Arbeitsbelastung der Radiologen verringern und die Berichterstattung beschleunigen. Die quantitativen Ausgaben könnten auch die Variabilität zwischen den Beobachtern verringern, ein anhaltendes Problem bei der Stenosenbewertung.

Schlussfolgerung

Diese Studie validiert CCTA-AI als ein transformatives Werkzeug für CCTA-Arbeitsabläufe, das erhebliche Zeitersparnisse und eine zuverlässige Stenosen-Erkennung bietet. Während die diagnostische Genauigkeit die Leistung der Radiologen annähert, erfordern die geringere Spezifität und die Einschränkungen auf Segmentebene eine menschliche Überwachung. Zukünftige Iterationen könnten die Spezifität durch fortschrittliche Plaque-Charakterisierung und die Integration hämodynamischer Daten verbessern.

doi.org/10.1097/CM9.0000000000001913