多层螺旋计算机断层扫描肺动脉造影成像参数对急性肺动脉栓塞危险分层的评估价值

目的探讨多层螺旋计算机断层扫描(CT)肺动脉造影成像参数对急性肺动脉栓塞危险分层的评估价值。方法以2018年1月至2022年12月河南中医药大学第一附属医院收治的185例急性肺动脉栓塞患者为研究对象,根据其危险分层分为中低危组、中高危组、高危组,分别为77、64、44例。统计3组一般资料,比较3组多层螺旋CT肺动脉造影成像影像学表现及造影成像参数。采用受试者工作特征(ROC)曲线分析多层螺旋CT肺动脉造影成像参数单独及联合诊断高危急性肺动脉栓塞的价值。结果中高危组、高危组累及肺动脉、累及肺叶动脉患者占比高于中低危组(P<0.05);高危组累及肺段动脉占比高于中高危组和中低危组,中高危组高于中低危组(P<0.05)。高危组主肺动脉(PA)/胸主动脉(AO)、上腔静脉直径(SVC)、右心室短轴直径(RVD)/左心室短轴直径(LVD)高于中高危组和中低危组,中高危组高于中低危组(P<0.05)。PA/AO、SVC、RVD/LVD联合诊断的曲线下面积(AUC)值高于三者单独诊断(P<0.05);PA/AO及联合诊断的敏感度高于SVC、RVD/LVD,联合诊断的敏感度高于PA/AO(P<0.05);SVC、RVD/LVD及联合诊断的特异度高于PA/AO(P<0.05)。结论不同危险分层急性肺动脉栓塞患者多层螺旋CT肺动脉造影成像影像学表现及多层螺旋CT肺动脉造影成像PA/AO、SVC、RVD/LVD具有明显差异,PA/AO、SVC、RVD/LVD联合对高危急性肺动脉栓塞患者的诊断价值较好。

基于从头训练模式深度学习卷积神经网络模型评估急性肺栓塞的价值

目的分析基于从头训练模式深度学习-卷积神经网络模型[the deep learning convolutional neural network model trained from scratch,DL-CNN(fs)]的人工智能算法评估急性肺动脉血栓栓塞(acute pulmonary thromboembolism,APE)的价值。方法回顾性纳入214例可疑APE行CT肺动脉造影(CTPA)的住院患者,包括急性肺动脉血栓栓塞137例,阴性77例。放射科医师根据CTPA图像判断有无APE,并计算Qanadli评分、Mastora评分和其他CTPA参数。采用DL-CNN(fs)训练网络模型自动检测栓子的分布及容积。评估DL-CNN(fs)模型测量血栓分布的价值,计算血栓负荷与Qanadli评分、Mastora评分和其他CTPA参数的相关性。结果DL-CNN(fs)测算的中心肺动脉栓子敏感度、特异度、感兴趣区曲线下面积(AUC)分别为100%、16.8%、0.584(95%CI,0.508~0.661);DL-CNN(fs)测算的外周肺动脉栓子敏感度、特异度、AUC均较高(R1-R9,60.8%~95.2%,67.9%~87.1%,0.740~0.844;L1-L10,64.6%~93.4%,62.7%~83.1%,0.732~0.791)。DL-CNN(fs)测算的栓子体积与Qanadli score肺栓塞指数显著正相关(r=0.867,P<0.001),与Mastora score肺栓塞指数显著正相关(r=0.854,P<0.001),与右心室及左心室最大横径比、右心室及左心室最大面积比呈正相关(r=0.549,0.559,P<0.01)。结论DL-CNN(fs)模型检测外周肺动脉栓子具有较高的价值,对中心肺动脉栓子诊断特异度有待进一步提高。DL-CNN(fs)模型自动提供APE患者的栓子体积,可以一定程度反映栓塞程度及右心功能,能够辅助医生对于APE患者血栓负荷及危险分层的快速评估。