《Scientific Reports》：Detecting the left atrial appendage in CT localizers using deep learning
編輯推薦：
在臨床中，心源性卒中患者常需進行左心耳（LAA）的 CT 檢查，但在 CT 定位像中精準劃定 LAA 區域困難，常導致全心臟掃描，增加患者輻射暴露。研究人員利用深度學習開展自動劃定 LAA 區域的研究，結果顯示該方法精度高且能大幅降低輻射劑量，意義重大。
在醫學領域，心臟健康的檢查至關重要。心源性卒中（CES）是一種常見疾病，每年約有 400 - 500 萬人深受其害。而心房顫動是 CES 的常見病因，在老年人中尤為普遍。在這些患者體內，左心耳（LAA）極易形成血栓，一旦脫落就會引發卒中。因此，確定 LAA 中是否存在血栓對預防 CES 意義重大。
目前，臨床常用經食管超聲心動圖（TEE）來檢查 LAA，但它存在諸多不便�；颊邫z查前需長時間禁食禁水，檢查時吞咽設備的過程也很不舒服，往往需要在鎮靜狀態下進行。而且，TEE 還存在一定風險，如鎮靜藥物的不良反應以及食管破裂等嚴重并發癥。相比之下，計算機斷層掃描（CT）檢查 LAA 更為舒適且侵入性小，然而其較高的輻射劑量卻限制了它在臨床中的常規應用。
在進行 CT 掃描時，技術人員通常需要在定位像上手動劃定感興趣區域，但 LAA 缺乏明顯的解剖標志，這使得精準劃定其邊界變得極為困難。為了確保不遺漏相關結構，技術人員常常不得不擴大掃描范圍，幾乎掃描整個心臟，這無疑讓患者承受了不必要的高輻射劑量。
為了解決這些問題，來自德國埃森大學醫院（University Hospital Essen）等機構的研究人員展開了深入研究。他們旨在利用深度學習方法，實現 CT 定位像中 LAA 區域的全自動劃定，從而減少掃描面積，降低患者輻射劑量。這項研究成果發表在《Scientific Reports》上，為心臟檢查帶來了新的希望。
研究人員采用了一系列關鍵技術方法。他們回顧性收集了三個隊列的數據，包括訓練隊列、內部測試隊列和外部測試隊列，這些數據均來自德國的兩所醫院。利用基于深度學習的公開可用分割軟件，在 CT 掃描圖像上分割出 LAA 區域，并將其切片坐標轉移到定位像上以獲得劃定區域。同時，為了應對患者運動的影響，在訓練過程中考慮了不同的安全 margins 。此外，研究人員訓練了四種神經網絡架構，包括 Cascade - R - CNN、VariFocalNet（VFNet）、Task - aligned One - stage Object Detection（TOOD）網絡和 You Only Look Once v11（YOLO）網絡，通過比較它們在驗證集上的表現，最終選擇性能最佳的模型進行進一步測試。
研究結果
- 患者數據：研究共收集了 1253 個用于訓練和驗證的定位像（來自 1213 名患者），內部測試隊列有 368 個定位像，外部測試隊列有 309 個定位像�；颊叩钠骄挲g為 58.6 ± 13.7 歲，其中女性 791 人，男性 1099 人。不同隊列之間在性別和年齡分布上存在一定差異。
- 驗證結果：四種網絡在驗證集上表現均良好，但 VFNet 略勝一籌，被選為最佳模型。當在邊界添加約 12 - 14mm 的安全 margin 時，各網絡性能最佳，預期有效劑量約為 4.7mSv，準確率均高于 93%，Dice 系數約為 90%。
- 測試結果：重新訓練后的 VFNet 在內部和外部測試集中表現出色，預期有效劑量分別為 5.33 ± 6.42mSv 和 4.39 ± 4.23mSv，相比全心臟掃描的有效劑量（11.35 ± 8.17mSv 和 10.09 ± 8.0mSv）降低了 53.5% 和 56.4%。準確率分別達到 97.8% 和 96.8%，臨床實用性高達 99.8% 和 99.3%，Dice 系數分別為 90.4% 和 90.0%。
- 劑量減少分析：通過 Wilcoxon 符號秩檢驗表明，與全心臟掃描相比，使用該模型進行 LAA 掃描的劑量減少具有高度統計學意義（p < 0.001）。
研究結論與討論
該研究成功開發了一種利用深度學習實現 CT 定位像中 LAA 區域全自動劃定的模型。該模型準確率極高，約為 98%，能夠顯著降低患者的有效劑量，相比全心臟 CT 掃描，劑量減少約 55%（至少 5mSv）。而且，模型在不同隊列中的表現穩定，具有良好的泛化能力。
然而，研究也存在一些局限性。例如，CT 掃描數據均來自單一供應商的設備和兩所附近的醫院，可能會限制模型的通用性；臨床中有時仍需要全心臟掃描，如遇到血流偽影時；標注數據由另一個神經網絡生成，可能存在輕微分割誤差；研究使用的 Dice 系數對較小變化不敏感等。盡管如此，從臨床角度來看，預期有效劑量（ED）和臨床實用性等指標充分驗證了該網絡在臨床實踐中的價值。
這項研究為心臟 CT 檢查中 LAA 區域的精準定位和輻射劑量降低提供了有效的解決方案，具有重要的臨床意義。未來，通過擴大訓練數據集、改進網絡架構等措施，有望進一步提高模型性能，推動心臟檢查技術的發展，讓更多患者受益。
