《Cardiovascular Intervention and Therapeutics》:TAVI-TEC: an AI-based tool for procedural planning of transcatheter aortic valve implantation
编辑推荐:
计算机断层扫描血管造影(Computed Tomography Angiography, CTA)对于经导管主动脉瓣植入术(Transcatheter Aortic Valve Implantation, TAVI)的术前规划至关重要,其提供了人工心脏瓣膜尺寸
计算机断层扫描血管造影(Computed Tomography Angiography, CTA)对于经导管主动脉瓣植入术(Transcatheter Aortic Valve Implantation, TAVI)的术前规划至关重要,其提供了人工心脏瓣膜尺寸选择和血管入路评估所需的解剖信息。随着TAVI手术量的增加,提高效率并实现标注的标准化在临床实践中日趋重要。本研究介绍了TAVI-TEC——一个完全自动化的基于人工智能(Artificial Intelligence, AI)的框架,其被集成于基于网络的医学影像DICOM浏览器中,用于常规术前TAVI规划。研究人员采用全自动流水线处理接受SAPIEN 3 Ultra(S3U)人工心脏瓣膜TAVI治疗的患者术前CTA扫描图像。研究实现了基于深度学习的心血管结构分割、钙化检测、中心线提取、解剖标志识别及瓣环平面定义,以量化关键的瓣环和主动脉根部测量指标,并生成用于血管入路评估的管腔减容和血管直径彩色编码图。研究人员训练了一个多层感知器(Multilayer Perceptron, MLP)分类器,用于在TAVI手术前预测人工瓣膜尺寸。结果显示,TAVI-TEC可在约2至6分钟内完成术前测量。对于瓣环面积(一致性相关系数,concordance correlation coefficient,CCC=0.934;组内相关系数,interclass correlation coefficient,ICC=0.935;R2=0.881)和瓣环周长(CCC=0.909;ICC=0.909;R2=0.854),该工具与临床医生测量结果展现出高度一致性。瓣膜尺寸预测模型与临床选择并植入的瓣膜尺寸相比,分类准确率达到77.1%(95%置信区间:70.1%–83.9%),且大多数不一致发生在相邻的人工瓣膜尺寸之间。上述发现支持TAVI-TEC的技术可行性及其初步的良好性能表现。在常规临床应用之前,仍需开展前瞻性多中心研究和外部验证(包括其他瓣膜平台),并进一步明确其对操作者变异性和临床工作流程的影响。
**一、研究背景与问题提出**
经导管主动脉瓣植入术(Transcatheter Aortic Valve Implantation, TAVI)已成为严重主动脉瓣狭窄患者替代外科开胸手术的微创治疗方案,其适应症已从最初的高手术风险患者逐步扩展至中低手术风险人群。主动脉瓣环作为复杂的三维椭圆形结构,其精确的几何与尺寸测量对于人工生物瓣膜的型号选择至关重要——瓣膜尺寸选择不当会导致瓣周漏、瓣膜-患者不匹配、瓣环破裂及传导障碍等严重并发症,进而增加TAVI术后的发病率和死亡率。计算机断层扫描血管造影(Computed Tomography Angiography, CTA)在TAVI术前规划中发挥核心作用,为瓣膜尺寸选择和血管入路评估提供必要的解剖信息。然而,传统的术前测量依赖人工标注,不仅存在操作者内部变异性,而且对于解剖结构处于临界状态的患者,还需额外的标注用于临床决策。近年来,虽有研究开发出全自动或半自动的软件工具以减少观察者间变异,但部分工具仍依赖人工输入——如3Mensio中的半自动测量方式需操作者调整瓣叶最低点位置;同时,并非所有相关参数均被评估。因此,临床实践中亟需一种全自动化的解决方案,以应对日益增长的TAVI手术量对效率和标准化标注的需求。
**二、研究内容与核心结论**
本研究提出TAVI-TEC——一个完全自动化的基于人工智能的流水线系统,可从CT扫描图像中分割心脏解剖结构、提取关键的TAVI术前解剖测量指标,并在无需用户交互的情况下于数分钟内(≤7分钟)提供最优人工瓣膜尺寸建议。研究纳入109例于IRCCS ISMETT(意大利巴勒莫)接受SAPIEN 3 Ultra(S3U)经导管心脏瓣膜TAVI治疗的连续严重主动脉瓣狭窄患者,以经验丰富的心脏介入医师通过手动多平面重建获得的临床测量值作为参考标准。结果显示,TAVI-TEC的自动测量与临床医师测量值在瓣环面积和周长方面表现出高度一致性,瓣膜尺寸预测模型与临床选择和植入的瓣膜尺寸相比达到77.1%的分类准确率。该工具已被实现为DICOM Vision医学影像平台(由D/Vision Lab开发)中的一个专用模块,支持在影像工作流程中进行AI生成测量结果的可视化、审查与管理。上述发现验证了TAVI-TEC的技术可行性和初步性能,但其临床有效性和普适性仍需通过前瞻性多中心和外部验证加以确认。
**三、关键技术方法**
研究人员采用以下主要技术方法:(1)基于U-Net架构的深度学习分割模块用于识别心脏和血管结构,该模型源自Comelli等人先前开发验证的成果,其原始训练数据集包含72例与本研究109例患者完全独立的ECG门控对比增强CT血管造影检查;(2)通过骨架化(26邻域连接)自动提取血管中心线,并在瓣环区域内识别三个主动脉瓣叶最低点以定义虚拟基底环平面,随后通过受限局部优化(沿中心线平移及≤5°角旋转)确定最小管腔横截面积的最终测量平面;(3)基于强度阈值(第99.5百分位Hounsfield unit值)进行主动脉钙化分割;(4)采用含单隐层(10个sigmoid神经元)的多层感知器(Multilayer Perceptron, MLP)分类器进行瓣膜尺寸预测,输入特征为5个瓣环测量参数,输出类别对应23、26和29 mm三种S3U瓣膜尺寸,训练采用L-BFGS优化器和L2正则化,通过重复分层五折交叉验证(5次重复,25个训练-验证划分)评估模型性能;(5)统计分析方法包括一致性相关系数(CCC)、变异系数(CV)、组内相关系数(ICC)及Bland-Altman分析。
**四、研究结果**
**4.1 自动化流程与计算性能。** TAVI-TEC在DICOM Vision平台中被实现为网络工作流模块,CTA研究可被加载至浏览器,经服务器端AI流水线处理后,以结构化测量、分割叠加层、CPR视图和三维可视化形式返回至用户界面。该工具可输出主动脉根部三维可视化模型及相应术前测量参数,包括瓣环周长和面积(以红色高亮)、最大(Dmax,绿色)和最小(Dmin,蓝色)瓣环直径、窦部高度、STJ高度及冠状动脉开口在血管中心线上的投影。计算时间在Tesla T4图形处理单元(GPU)上为2.2至6.4分钟。
**4.2 血管入路评估。** TAVI-TEC通过对主动脉、髂动脉及相应钙化斑块的全自动分割和中心线提取,提供三维血管直径图、钙化分布及钙化斑块所致管腔狭窄的可视化。该工具自动生成髂动脉和股动脉的曲面重组(Curved Planar Reformation, CPR)视图,沿血管中心线可视化钙化情况并评估压缩后输送装置可用的残余管腔面积。局部血管直径和管腔减容彩色编码图提供了髂股入路径的空间分辨可视化。
**4.3 测量一致性与可靠性。** 瓣环面积和周长显示高度一致性:R2分别为0.881和0.854,回归系数分别为0.972和0.968,CCC值分别为0.934和0.909,ICC individual值分别为0.935和0.909,ICC one-way值分别为0.966和0.952。Dmax和Dmin显示良好一致性:R2为0.649和0.752,回归系数为0.853和0.901,CCC值分别0.794和0.823。Bland-Altman分析显示面积和周长存在小负偏倚(分别为-6.7和-1.16),直径测量的偏倚略高(Dmax为0.34,Dmin为-1.6),但均未观察到明显的比例偏倚。
**4.4 瓣膜尺寸预测模型性能。** 在5次重复分层五折交叉验证中,模型平均准确率为77.1%(95% CI: 70.1–83.9%),平衡准确率为75.4%,宏F1分数为0.758,宏平均one-vs-rest AUC为0.906。按类别分析:23 mm瓣膜的精确率为0.79、召回率为0.90、F1分数为0.84;26 mm瓣膜居中表现较温和,精确率为0.71、召回率为0.61、F1分数为0.65;29 mm瓣膜精确率为0.80、召回率为0.76、F1分数0.78,且具有最高的类别AUC为0.955。混淆矩阵分析表明,大多数错误分类发生在相邻瓣膜尺寸之间,26个不一致预测中24个涉及相邻尺寸。较小尺寸预测(模型预测小于临床选择尺寸)占16.0%的病例,较大尺寸预测占7.0%。值得注意的是,有2例临床选择23 mm瓣膜被直接预测为29 mm,而无29 mm瓣膜被预测为23 mm的病例。
**五、讨论与结论**
**讨论总结。** 本研究表明TAVI-TEC作为一种全自动AI工具,具备从常规CT影像中提取基础TAVI术前测量参数的能力。与人工测量相比,其自动测量结果展现出高度一致性,瓣环面积和周长的一致性相关系数在0.909至0.934之间。与现有半自动工具(如3mensio)相比,TAVI-TEC避免了因操作者对瓣叶最低点位置调整而引入的变异性;与TAVI-PREP等方法相比,TAVI-TEC的独特之处在于其采用三分最低点平面定义后进行局部优化(最小化管腔横截面积)的策略,确保在保守的最差配置下获得测量结果。此外,TAVI-TEC提供临床级的钙化可视化以支持血管入路评估,并通过自动生成的CPR视图和彩色编码图评估残余管腔面积。但需要注意,临床选择的瓣膜尺寸应被视为临床参照而非客观金标准,因为最终人工瓣膜选择还可能包含钙化分布、左心室流出道和主动脉根部解剖、破裂风险及操作者判断等因素。本研究的局限性包括单中心设计和仅评估单一瓣膜平台、未包含外部验证队列、未对临床工作流时间和操作者变异性进行前瞻性比较、钙化量化方法仅用于定性可视化等。
**结论翻译。** TAVI-TEC方法证明了利用常规CTA影像实现全自动AI框架进行TAVI术前规划的可行性。在SAPIEN 3 Ultra平台治疗的单中心队列中,自动瓣环测量与临床医师测量结果表现出高度一致性,瓣膜尺寸模型与临床选择和植入的器械尺寸呈现初步的良好一致性。集成于基于网络的DICOM浏览器进一步证明了面向工作流部署的技术可行性。这些发现应被视为初步结果,尚不能确定其能减少操作者变异性或改善临床工作流程。在常规临床应用之前,仍需进行前瞻性多中心研究和外部验证,包括其他瓣膜平台以及对工作流程和观察者变异性的直接评估。