SPECT MPI的深度学习分析提高了冠状动脉疾病的诊断

国际上的一项多中心研究首次证明，通过对直立和仰卧单光子发射计算机断层扫描(SPECT)心肌灌注成像(MPI)进行深度学习分析，可以改善阻塞性冠状动脉疾病的诊断。这项研究发表在五月号的核医学杂志．

根据疾病控制和预防中心的数据，冠状动脉疾病最常见的心脏类型是什么疾病在美国，每年有超过37万人死于疟疾。SPECT MPI被广泛用于这种疾病的诊断，它可以显示心肌的泵血情况，并检查运动和休息时流经心脏的血液流量。在病人坐着成像的新相机上，通常使用两种姿势(半直立和仰卧)来减轻衰减伪影。目前分析MPI数据的定量标准是从这两个位置计算综合总灌注亏缺(TPD)。从视觉上看，医生需要协调来自两个视图的信息。

深卷积神经网络，通常被称为深度学习(DL)，超越机器学习使用算法。他们直接分析视觉数据，从中学习，并根据图像信息做出智能发现。

在这项研究中，将双位应激MPI数据的DL分析与1,160例无已知冠状动脉疾病患者的标准TPD分析进行了比较。患者使用核医学放射性示踪剂锝(99mTc)进行应激性MPI。研究人员在四个不同的中心使用了新一代固态SPECT扫描仪，并在加利福尼亚州洛杉矶的雪松-西奈医疗中心对图像进行量化。所有患者在MPI后6个月内均有现场临床读数和侵入性冠状动脉造影相关性。

梗阻性疾病的定义是三个主要冠状动脉狭窄至少70%，左主冠状动脉狭窄至少50%。在验证过程中，训练了四个不同的DL模型(每个模型使用来自三个中心的数据)，然后在其中一个模型上进行评估中心了一边。对4个中心的预测进行合并，从而对多中心性能进行总体估计。

研究显示，718名患者(62%)和3480名患者中的1272名(37%)动脉患有阻塞性疾病TPD组的患者敏感性从61.8%提高到DL组的65.6%，TPD组的患者敏感性从54.6%提高到DL组的59.1%。此外，DL的敏感性为84.8%，而现场临床读数的敏感性为82.6%。

结果清楚地表明，DL比现有方法改善了MPI解释。

雪松西奈医学中心的Piotr J. Slomka博士指出:“这些发现首次在严格的、重复的外部验证中得到了证明。”他肯定了“人工智能的最新发展可以有效地利用来提高现有核医学技术的准确性。”