机器学习技术可自动读冠脉造影片（仅需两秒,阜外医院徐波等EuroIntervention刊发研究）

综合上述两个结果，即可产生对于冠脉造影的高级别诊断，研究者指出，整个自动识别过程仅需要两秒钟。

在13,373张冠脉节段标注数据中，12,323张图像作为训练数据，其余1050张图像作为测试数据，进行冠脉节段网络的训练和测试；在7,239张冠脉病变标注数据中，6,239张图像作为训练数据，其余1,000张图像作为测试数据，进行冠脉病变网络的训练和测试。

在冠脉节段识别方面，该研究建立的网络模型对于整体血管的识别准确度达98.4%，敏感度为85.2%。

转载：请标明“中国循环杂志”

很多疑难复杂病例,一个医生一生也只能见到一次

对于冠脉中重要的节段，识别准确率与敏感度达到了更高的水平，其中左主干的准确率和敏感度为99.9% 和91.8%，左前降支近端的准确率和敏感度为99.8%和92.6%，回旋支近端的准确率和敏感度为99.8% 和87.9%，右冠状动脉近端的准确率和敏感度为99.8%和87.9%。

对于冠状动脉的多模态分析包含了冠脉节段识别和病变形态识别，研究者通过两个不同的卷积神经网络 (CNN) 完成。对于一段冠脉造影片，第一个CNN首先识别出不同的冠脉节段，之后第二个CNN识别出在不同血管节段上的病变形态，综合两个识别结果后完成最终的冠脉造影识别。

在识别冠脉狭窄病变、完全闭塞、钙化、血栓形成、夹层时，冠脉病变识别网络模型的ROC曲线下面积 (AUC) 为0.801、0.759、0.799、0.778、0.863；F1评分分别为0.829、0.810、0.802、0.823、0.854，达到了较高的准确性。

冠状动脉造影是仍然是目前诊断冠心病金标准，如今借助计算机视觉和机器学习技术，自动的冠脉造影识别已经成为可能。

通过标注的数据进行训练和优化后，冠脉节段网络可以识别包括左主干、左前降支、回旋支及右冠状动脉等20个不同的冠状动脉节段；冠脉病变网络可以识别不同的病变形态，包括病变直径狭窄、钙化、血栓形成、完全闭塞、夹层等。

研究者指出，在未来的工作中，更多种类的冠状动脉病变将会被包含进来，从而完成SYNTAX评分的自动化，提高医生的诊断效率与准确率。

来源：Tianming Du, et al. Automatic and multimodal analysis for coronary angiography: training and validation of a deep learning architecture. EuroIntervention. 2020 Aug 25;EIJ-D-20-00570. doi: 10.4244/EIJ-D-20-00570.

本文由中国医学科学院阜外医院、北京邮电大学、北京红云科技有限公司及耶鲁大学的研究者们合作完成，共同第一作者为北京邮电大学杜天明和阜外医院谢丽华，通讯作者为阜外医院徐波。

近日，阜外医院徐波教授等联合北京邮电大学、北京红云技术团队在EuroIntervention杂志发表的一项研究表明，通过计算机视觉和深度学习技术建立的深度神经网络模型，可对冠状脉造影图像进行自动、多模态分析，从多个角度识别冠脉造影片，从而达到冠脉造影识别的自动化。

研究者回顾性收集了2018年7月在阜外医院就诊的2,834例患者的20,612张冠脉造影图像，其中13,373张用于标注冠脉节段，其余7,239张用于标注冠脉病变形态。