一项多中心国际研究首次证明，通过使用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)的深度学习分析，可以改善阻塞性冠状动脉疾病的诊断。这项研究发表在5月份的“核医学杂志”上。

据疾病控制和预防中心称，冠状动脉疾病是最常见的心脏病类型，每年在美国造成超过370,000人死亡。广泛用于诊断的SPECT MPI显示了心肌在抽吸和检查静息过程中的心脏血流情况。在患者以坐姿拍摄成像的新相机上，常规使用两个位置(半直立和仰卧)来减轻衰减伪影。用于分析MPI数据的当前定量标准是计算来自这两个位置的组合总灌注不足(TPD)。在视觉上，医生需要协调来自2个视图的可用信息。

深度卷积神经网络，通常被称为深度学习(DL)，超越了使用算法的机器学习。他们直接分析视觉数据，从中学习，并根据图像信息做出明智的发现。

对于这项研究，将来自双位应力MPI的数据的DL分析与1,160名没有已知冠状动脉疾病的患者的标准TPD分析进行比较。患者接受了核医学放射性示踪剂锝(99mTc)sestamibi的压力MPI。使用四个不同中心的新一代固态SPECT扫描仪，并在加利福尼亚州洛杉矶的Cedars-Sinai医疗中心量化图像。所有患者在MPI的6个月内都有现场临床读数和侵入性冠状动脉造影相关性。

阻塞性疾病定义为三条主要冠状动脉至少缩小70%，左主干冠状动脉至少缩小50%。在验证过程中，训练了四种不同的DL模型(每种模型使用来自三个中心的数据)，然后在左侧的一个中心进行评估。合并了4个中心的预测，对多中心绩效进行了总体估算。

该研究显示，718名(62%)患者和3,482名(37%)动脉中有1,272名患有阻塞性疾病。每位患者的敏感度从TPD的61.8%提高到DL的65.6%，每支血管的灵敏度从TPD的54.6%提高到DL的59.1%。此外，DL的灵敏度为84.8%，而现场临床读数为82.6%。

结果清楚地表明DL改进了对当前方法的MPI解释。

“这些研究结果首次在严格的，重复的外部验证中得到证实，”Cedars-Sinai医疗中心的Piotr J. Slomka博士指出，“人工智能的最新发展可以有效地用于增强现有核医学技术的准确性。“