AHA2019丨Charles T. Dotter纪念奖：站在巨人的肩上，探索动脉瘤治疗新策略
血管内动脉瘤腔内修复术（EVAR）作为一种微创技术，应用越来越广泛，其手术创伤小，使很多不能耐受手术的高危患者获得救治机会。但由于受到瘤体解剖学条件限制，肾动能不全、造影剂过敏等，可发生内漏导致主动脉扩张或破裂。
编者按：血管内动脉瘤腔内修复术（EVAR）作为一种微创技术，应用越来越广泛，其手术创伤小，使很多不能耐受手术的高危患者获得救治机会。但由于受到瘤体解剖学条件限制，肾动能不全、造影剂过敏等，可发生内漏导致主动脉扩张或破裂。对术后并发症常采用影像学进行监测，AHA 2019大会的Charles T. Dotter纪念奖专场，加利福尼亚斯坦福大学Mohammad Madani公布的一项研究评估机器学习（ML）在检测内漏并发症中的应用。
血管内主动脉修复后内漏的机器学习检测
研究由心血管放射科医生确定50例CTA扫描有内漏的EVAR患者和20例无内漏的EVAR作为对照。影像学研究数据分为训练组（N=40），验证组（N=10）和保留组（N=20）。如图1所示，对每个图像切片手动标记内漏区域。在图像预处理之后，设计并训练具有卷积编码器-解码器体系结构的分割模型-将分割图二值化为正/负图像标签。随后的测试是使用600份CTA图像进行，这些图像是从测试内漏和对照案例中随机选择，两名不知情的放射诊断医生也对相同的测试仪进行检测。
结果显示，内漏和对照病例的临床特征如表1所示。在测试组，ML模型的联合交叉（IOU）得分为0.412，准确度、精确度和召回率分别为82.4、81.4和 83.6。两名不知情的放射科医师的准确性、精确度和召回率分别为85~89、77~98和78~99。图2显示了针对给定模型体系结构的性能量表，其中，包含大量其他训练数据。
这项研究证明了ML方法在EVAR后检测内漏中达到人类水平的性能潜力。未来的研究可通过内漏解剖形状特征并增加样本大小/使用半监督学习技术提高ML性能。
早期发现升主动脉瘤的新策略
升主动脉瘤（AnAscAo）是美国十大心血管疾病之一，从临床和法医学角度看，AnAscAo的早期诊断很重要。2-D超声心动图（2D）具有900的可视化弧线，限制了升主动脉的可见性，而心脏MRI（CMR）具有全视野。2010年，来自机构心脏影像数据库的数据分析表明，二维主动脉根> 3.9 cm的扩张可预测CMR上AnAscAo未被诊断的概率为82％（AUC= 0.86），从而制定改善对AnAscAo检测的方案，即通过对每位二维主动脉根部扩张的患者进行CMR检查。
Ann Morgenstern等学者假设使用CMR评估二维主动脉根部扩张的患者可改善AnAscAo检测。入选2011年~2017年进行过CMR的主动脉根部扩张>3.9 cm的患者心脏影像数据，共计823例符合该研究入组标准。基于4.0 cm或更大的CMR升主动脉直径测量值，每年计算出AnAscAo的新诊断病例数。然后，根据宾夕法尼亚州默瑟县的人口，计算并审查每年发病率。
采用Sharon地区临床建议后，AnAscAo的确诊率增加（图3）。在2011年实施该临床建议后，AnAscAo的发生率较基线增加三倍以上。
图3. 每10万人中 AnAscAo的发生率
该临床建议表明，利用CMR可提高AnAscAo在人群中的检出率。该临床建议提高了AnAscAo的检出率，有助于早期干预和预防主要的相关不良心血管事件。
京公网安备 11010502033353号