2018年3月22日

中国·苏州

编者按：

　　日前，中国介入心脏病学大会（CIT）在苏州隆重召开，在会中的“最新揭晓临床试验和首次公布研究”论坛上，首都医科大学附属北京安贞医院周玉杰教授团队王志强医生为我们介绍了一项基于人工智能深度学习技术的FFR-CT计算模型，该模型在与有创FFR对比时展现出了良好的准确性，具有非常可观的前景。

▲ 王志强医生作精彩发言

　　血流储备分数（FFR）的概念最早由Nico. H.J. Pijls于1994年提出，主要通过计算冠状动脉心脏远端压力与近端压力之比获得，两个压力指标可以应用1991年研发出的压力导丝在冠脉最大舒张状态（可通过冠脉内或静脉内注射ATP等药物）时测得，FFR的正常值为1.0，判断冠脉狭窄是否影响其血管生理功能的临界值为0.75-0.8。近年来，有创FFR检查已经成为了评估病变血管生理功能的金标准之一。

　　新兴的不用依赖于有创心导管检查的FFR-CT基于常规的冠状动脉CTA图像，通过CT冠状动脉成像信息的提取和分析，结合病变（斑块大小、分布与狭窄程度）、左室心肌质量、血压等综合参数，配合CFD数值计算, 实现对于冠脉狭窄病变处的FFR无创评价，而且不需要腺苷等药物的充血诱导。FFR-CT不仅可提供三支冠脉的综合性FFR数据，还可以得出冠脉任何部位的FFR数据。

　　自2011年起已有三个关于FFR-CT的多中心临床注册试验，分别是DISCOVER-FLOW研究、DeFACTO研究和NXT研究，研究结果均证明FFR-CT与有创FFR值的一致性较高。在上述临床试验数据的支持下， FFR-CT已在2014年11月27日通过了美国FDA认证。

　　我们对既往FFR-CT的相关研究进行了系统性评价，纳入了5项研究，累计908例病变血管。结果显示与有创FFR对比，FFR-CT的诊断准确性可高达81.9%。

　　但是目前的FFR-CT尚存在四个需解决的问题: （1）血流动力学模拟算法尚需改进，利用静息下的CCTA数据模拟最大充血状态下的压力情况，会造成模型的偏差；（2） FFR-CT运算较为复杂，多需远程服务器运算和专业CFD人员操作，且耗时较长，完成一例FFR-CT最快需4h，进一步改进目标使缩短至30min 以下才能实现临床应用；（3）FFR-CT对CCTA图像质量要求较高, 存在不成功的风险。

　　人工智能（AI）深度学习是眼下大热的话题之一，其能利用深度神经网络模拟人脑的工作过程，那么能否应用AI深度学习技术取代FFR-CT所需的复杂CFD运算过程？

　　我们应用由计算机生成的覆盖了冠状动脉不同程度、不同形态狭窄的15000个冠心病病例的数据库中训练出来的深度学习模型建立了可计算FFR-CT的深度学习平台（DeepVessel FFR），其可以利用先进的深度学习模型来提取与血流动力学相关的必要的形态特征，从而建立患者特定心血管树的压力分布和形态特征之间的联系。培训过程完成后，每例FFR-CT的计算时间缩短至5分钟。

　　我们开展的是一项前瞻性、多中心、自身对照的试验，旨在评估DeepVessel FFR用于诊断冠心病的准确性。研究共计纳入125名在行冠脉CTA后的30天内行有创FFR的受试者，包括148例病变血管，其中70例FFR≤0.80，78例FFR≥0.80。有创FFR和DeepVessel FFR的对比结果显示，DeepVessel FFR的诊断的准确性为88.52%，敏感性为94.03%，特异性81.82%，阳性预测值86.30%以及阴性预测值91.84%，DeepVessel FFR诊断缺血的曲线下面积为0.94（95% CI：0.91-0.98）。

　　FFR-CT可在无创的条件下评价血管功能，而结合深度学习技术的DeepVessel FFR将进一步推动FFR-CT在临床中的推广，为临床实践带来重要影响。