肺癌筛查中的计算机断层扫描（CT）数据为同时检测其他亚临床胸部疾病（如肌肉骨骼疾病和心血管疾病）提供了可能性。低剂量胸部 CT 筛查的推行将导致 CT 检查数量不断增加，这给放射科医生带来了重大挑战。多项研究表明，工作量增加以及分配给每个病例的时间减少，会导致更高的错误率以及可能对 CT 检查结果的漏报情况。

人工智能（AI）有可能通过引入对用于肺癌筛查的胸部 CT 进行自动处理，来减轻放射科医生的工作量。此前对肺结节的自动检测已进行过研究，并且正在步入临床应用阶段。此外，已经开发出人工智能（AI）算法，用于在为肺癌筛查目的而获取的胸部 CT 扫描上自动检测并准确测量其他亚临床疾病的生物标志物。这有可能在更广泛的普通人群中实现机会性筛查，例如基于椎体高度和密度筛查骨质减少，基于主动脉直径筛查胸主动脉扩张和动脉瘤，以及基于冠状动脉钙化评分筛查亚临床冠状动脉疾病。雅库布等人（2022 年）对商用人工智能（AI）软件进行了评估，结果显示在对 100 名接受非对比剂胸部 CT 检查的患者进行主动脉扩张和冠状动脉钙化的二分类报告时，人工智能（AI）相比于放射科医生具有更优的诊断性能。不过，先前的研究大多聚焦于人工阅片与人工智能（AI）结果的比较，尚不清楚人工智能（AI）算法在应用于同一参与者的多次 CT 扫描时，是否也能够获得准确且可重复的结果。

最近，发表在European Radiology 上的一篇文章评估了基于人工智能（AI）对低剂量胸部 CT 上椎体及心血管标志物进行自动测量的可重复性。

研究纳入了基于人群的生命线影像（ImaLife）研究中在基线以及随访 3 - 4 个月时接受过低剂量胸部 CT 检查的参与者。利用一个人工智能（AI）系统（AI - Rad Companion 胸部 CT 原型）对椎体高度和密度、主动脉直径、心脏体积（心腔加上心包脂肪）以及冠状动脉钙化体积（CACV）进行自动分割和定量分析。由一名经过培训的研究人员通过目视检查来确认分割准确性。在假设无生理变化的情况下，运用组内相关系数（ICC）、相对差异以及冠状动脉钙化体积（CACV）风险分类的变化来评估基线和重复扫描时基于人工智能（AI）的充分测量结果的可重复性。

总共有 632 名参与者（年龄为 63 ± 11 岁；男性占 56.6%）接受了短期重复 CT 检查（平均间隔时间为 3.9 ± 1.8 个月）。目视评估显示，在椎体测量中，基线和重复扫描时 98.7% 的分割是充分的；在主动脉测量方面（除了升主动脉窦管交界（65.2%）外），80.1% - 99.4% 的分割是充分的；对于冠状动脉钙化体积（CACV），86.0% 的分割是充分的。而对于心脏体积，在基线和重复扫描时，只有 53.5% 的分割是充分的。对于充分分割的病例，组内相关系数（ICC）显示所有生物标志物都具有极好的一致性（组内相关系数（ICC）> 0.9）。椎体和主动脉测量的基线与重复测量之间的相对差异小于 4%，心脏体积的相对差异为 7.5%，冠状动脉钙化体积（CACV）的相对差异为 28.5%。冠状动脉钙化体积（CACV）风险分类的一致性较高（81.2%）。

 图 a 绿色和黄色分割表示左主干和左前降支位置的钙化。b由于左主干和左前降支钙化分割不正确，人工智能CACS不准确（红色圈）

本项研究表明，在低剂量胸部 CT 中，基于人工智能（AI）软件在椎体、主动脉以及冠状动脉钙化体积（CACV）评估方面的分割准确性较高，而在心脏体积方面相对较低。椎体和主动脉测量具有极好的可重复性，并且在冠状动脉钙化体积（CACV）整体风险分类方面一致性较高。

原文出处：

Iris Hamelink,Marcel van Tuinen,Thomas C Kwee,et al.Repeatability of AI-based, automatic measurement of vertebral and cardiovascular imaging biomarkers in low-dose chest CT: the ImaLife cohort.DOI:10.1007/s00330-024-11328-9