第 26 章 基于 AI 的冠状动脉疾病报告与数据系统（CAD-RADS）（Artificial Intelligence-Based Coronary Artery Disease Reporting and Data System (CAD-RADS)）
作者
- Giuseppe Muscogiuri, MD, PhD —— Centro Cardiologico Monzino, IRCCS, Milan, Italy；本章第一作者与团队带头人，擅长心脏 CT 影像与 AI。
- Mattia Chiesa, PhD —— Centro Cardiologico Monzino, IRCCS, Milan, Italy；AI 工程方向，2020 年 CAD-RADS DL 论文的方法学主力。
- Claudio Cau, MD / Riccardo Cau, MD / Luca Saba, MD —— Department of Radiology, A.O.U. di Cagliari - Polo di Monserrato, Italy；放射学与冠脉影像。
- Marco Guglielmo, MD / Andrea Baggiano, MD / Laura Fusini, MD / Gianluca Pontone, MD, PhD（通讯作者）—— Centro Cardiologico Monzino, IRCCS, Milan, Italy。
- Andrea I. Guaricci, MD —— University Hospital "Policlinico Consorziale" of Bari, Italy。
- Mark G. Rabbat, MD —— Loyola University of Chicago, IL, USA；Edward Hines Jr. VA Hospital, Hines, IL, USA。
本章处于 Part III 心脏应用部分，与第 25 章（斑块 AI）相辅相成——前章聚焦斑块特征提取与风险预测，本章关注临床报告系统（CAD-RADS）的自动化。属于"应用 + 流程"型章节，是连接影像组学（Ch 31）、斑块评估（Ch 25）和临床决策支持（Ch 53）的桥梁。
内容概述
CAD-RADS 是 2016 年由 SCCT、ACR、NASCI 联合发布的 CCTA 结构化报告系统 [X8]，目的是在患者层面标准化冠脉狭窄严重度与后续处置建议。传统视觉判读面临三个核心痛点：(1) 观察者间差异，(2) 报告耗时，(3) ESC 指南推荐下 CCTA 检查量激增，判读能力不足 [X9]。本章先回顾 CAD-RADS 的诊断 / 预后价值（CONFIRM 队列 5 年生存随 CAD-RADS 0→5 从 95.2% 降至 69.3%，PROMISE 注册 CAD-RADS 4b/5 的 HR 高达 30.80），再详细介绍如何用 CNN 自动化 CAD-RADS 分类。作者团队 2020 年用 288 例患者训练 2D-CNN（Muscogiuri 2020, [X10]）建立了三个不同粒度的模型（Model A: 0/1-2/3-5；Model 1: 0/>0；Model 2: 0-2/3-5），AI 判读耗时 104 秒 vs. 人工 530 秒；Denzinger 等 [X22] 在 2867 例大数据集中重复验证并加入钙化积分；Huang 等 [X21] 把 DL-CAD-RADS 与乳腺动脉钙化（BAC）相关联。本章为读者建立的认知是：AI 在 CAD-RADS 上的真正落地点是"宏观分诊"（macroarea classification），精确到 0/1/2/3/4/5 细分类仍是开放问题。
核心方程与概念
1. CAD-RADS 类别（结构化报告的核心）
| 类别 | 狭窄 | 解释 | 进一步检查 | 处置 |
|---|---|---|---|---|
| 0 | 0% | 无 CAD | 无 | 寻找胸痛其他原因 |
| 1 | 1–24% | 最小非阻塞 | 无 | 危险因素修正 |
| 2 | 25–49% | 轻度非阻塞 | 无 | 危险因素修正 |
| 3 | 50–69% | 中度 | 考虑功能评估 | 抗缺血治疗 |
| 4a | 70–99%，单/双支 | 重度 | 功能评估 / ICA | 抗缺血 + 预防 |
| 4b | 左主干 > 50% 或三支 ≥ 70% | 重度 | ICA | 评估血运重建 |
| 5 | 100% | 完全闭塞 | ICA ± 活性评估 | 抗缺血 + 血运重建 |
| N | 不确定 | 不能排除 | 额外评估 | —— |
(数据来源：Cury RC et al. 2016 [X8])
2. CAD-RADS 的预后效用（Xie 2018, [X14]）
CONFIRM 注册 5 年全因死亡率随 CAD-RADS 0→5 呈单调上升： $\(S_5(0) = 95.2\% \quad \text{vs.} \quad S_5(5) = 69.3\%\)$
相比 Duke 指数、CCTA 视觉评估，CAD-RADS 在心肌梗死预测上同样达到 AUC 0.70。Bittner 等（PROMISE 注册 [X16]）：CAD-RADS 4b/5 的全因死亡风险比 HR = 30.80，CAD-RADS 1 的 HR = 2.66；调整 ASCVD 后，CAD-RADS 5 的 HR 仍高达 21.84。
3. CNN 用于 CAD-RADS 分类的架构（Muscogiuri 2020, [X10]）
基础架构为 2D-CNN：
[3 × (Conv 3×3, ≥32 filters + MaxPool 2×2)] → Dropout(0.5) →
Dense(16) → Dense(8) → Softmax 输出
卷积层 + 池化层：交替堆叠 3 个"卷积-最大池化"块，每块至少 32 个 3×3 卷积核，池化窗口 2×2。形式化地，第 \(l\) 层的特征图： $\(\mathbf{h}^{(l)} = f_{\text{ReLU}}\left(\mathbf{W}^{(l)} * \mathbf{h}^{(l-1)} + \mathbf{b}^{(l)}\right)\)$
下采样： $\(\mathbf{h}^{(l)}_{\text{pool}}(i,j) = \max_{(p,q) \in \mathcal{N}(i,j)} \mathbf{h}^{(l-1)}(p,q)\)$
Dropout + 全连接层：在第一隐藏层前以概率 \(p=0.5\) 随机失活，防止过拟合 [X20]。全连接部分映射到 16 → 8 → 类别数： $\(p(y=k|\mathbf{x}) = \text{softmax}(\mathbf{W}_{\text{out}} \mathbf{h}_L + \mathbf{b}_{\text{out}})_k\)$
训练超参：至少 500 个 epoch + 数据增强（旋转、平移、缩放），2D 输入用上述 2D-CNN；如果直接喂 3D DICOM（frame × H × W），则需 3D-CNN 变体。
4. 三个 CAD-RADS DL 模型（Muscogiuri 2020, [X10]）
Model A（CAD-RADS 0 vs. 1-2 vs. 3-5，三分类细粒度）：敏感性 47%，特异性 74%，NPV 77%，PPV 46%，准确率 60%。
Model 1（CAD-RADS 0 vs. >0，二分类"有无 CAD"）：敏感性 66%，特异性 91%，NPV 92%，PPV 63%，准确率 86%。
Model 2（CAD-RADS 0-2 vs. 3-5，二分类"是否显著"）：敏感性 82%，特异性 58%，NPV 74%，PPV 69%，准确率 71%。
关键观察：细粒度分类（A）性能崩溃——三分类准确率仅 60%；粗粒度宏观分诊（1、2）达到临床可用（NPV 92%、准确率 86%）。即"宏观分诊"成功，细粒度失败。
5. 大队列验证（Denzinger 2020, [X22]）
在 2867 例 CCTA 上重复 Model 1 / Model 2：
| 模型 | AUC | 准确率 | 敏感性 | 特异性 |
|---|---|---|---|---|
| Model 1（DL only） | 0.860 | 0.849 | 0.489 | 0.907 |
| Model 1（DL + 钙化积分） | 0.914 | 0.888 | 0.532 | 0.945 |
| Model 2（DL only） | 0.901 | 0.838 | 0.879 | 0.759 |
| Model 2（DL + 钙化积分） | 0.923 | 0.860 | 0.891 | 0.802 |
钙化积分作为辅助输入使 AUC 提升 0.05，反映了"影像 + 标量临床数据"多模态融合的有效性。
6. 关键概念辨析
- 结构化报告 vs. 自由文本：结构化报告（CAD-RADS、BI-RADS、PI-RADS、Lung-RADS 等 [X7]）按"渐进式临床问题导向"分层，自由文本易遗漏关键字段。
- 观察者间一致性：Cohen's k（Cohen's kappa）与 ICC 是评估者间一致性的两类核心指标。CAD-RADS 总体 k = 0.862（Abdel Razek [X13]）、ICC = 0.958（Maroules [X12]），高于传统 CCTA 视觉判读。
- "宏观分诊"与"细粒度分类"：当前 AI 在"有无 CAD / 是否需要 ICA"（宏观）上达到临床可用水平，但在精确到 0/1/2/3/4a/4b/5 上仍不成熟。
- 图像质量对判读影响：Maroules 等 [X12] 发现高质量图像 ICC = 0.944，中等质量 ICC = 0.887——AI 恰好能缓解这种质量依赖性。
- AI 的速度优势：104 秒 vs. 530 秒（5 倍提速）是 AI 工具在临床工作流中最直接的卖点。
关键结论
- CAD-RADS 在多中心验证中已成为 CCTA 结构化报告的临床事实标准，2016 年 SCCT/ACR/NASCI 联合发布 [X8]。
- 观察者间一致性 k = 0.862、ICC = 0.958 优于传统 CCTA 视觉判读 [X12][X13]，但仍存在质量依赖性。
- 预后证据稳固：5 年全因死亡 95.2% (0) → 69.3% (5)，PROMISE 中 CAD-RADS 4b/5 的 HR = 30.80 [X14][X16]。
- Muscogiuri 2020 [X10] 在 288 例上证明 2D-CNN 可在 104 秒（vs. 530 秒人工）实现宏观 CAD-RADS 分诊（Model 1 NPV 92%、Model 2 准确率 71%）。
- 细粒度三分类（Model A）准确率仅 60%，是当前最显著的瓶颈 [X10]。
- Denzinger 2020 [X22] 在 2867 例大数据集上重复：Model 1 AUC 0.860，Model 2 AUC 0.901；加入钙化积分后 Model 1 AUC 提升至 0.914，Model 2 提升至 0.923。
- Huang 2020 [X21] 发现 DL-CAD-RADS 与乳腺动脉钙化（BAC）显著相关——开启 CAD-RADS 作为"系统性动脉粥样硬化指标"的新用途。
- AI 在 CAD-RADS 上精确到 0/1/2/3/4/5 细分类仍是开放问题，下一阶段需结合形态学（斑块成分）+ 功能学（缺血/FFR）多模态。
挑战和开放性问题
- 细粒度分类失败：Model A（三分类 0/1-2/3-5）准确率仅 60% [X10]——从 1 到 2、从 3 到 4a 的细微差异是当前 CNN 的盲区。
- 类别不均衡：临床中 CAD-RADS 0/1 患者远多于 4/5，训练时需重度重采样或加权损失。
- 报告系统的"修饰符"（modifier）未自动化：CAD-RADS 还包括易损斑块（V）、支架（stent）、冠脉起源异常（E）、缺血（N）、灰区（M）等修饰符，本章方法未涉及。
- 跨厂商、跨扫描仪泛化：CCTA 重建核（Qr36、Qr36f、Sa36 等）影响冠脉表现，模型可移植性差。
- 黑白边界判读：钙化密集的节段（"blooming artifact"）的精确狭窄百分比本身就是病理学难题，AI 难以解决底层物理。
- 实时性与集成：在 PACS / EMR 系统中嵌入 DL-CAD-RADS 的工程链路（自动触发、结果回写）尚未标准化。
- 法规与责任归属：AI 生成的 CAD-RADS 在法律上是否构成"诊断意见"尚未明确，FDA/NMPA 审批路径未定。
- 临床医生信任：即使 Model 1 NPV 92%，临床医生仍倾向于自己做最终判读，AI 仅作"第二阅片人"。
- 人工标注成本：训练数据需 200–3000 例带专家 CAD-RADS 标签的 CCTA，人工成本是规模化部署的隐性瓶颈。
- 黑盒可解释性：CNN 给出 CAD-RADS 0/1/2/3/4/5 但不能告诉医生"哪一段血管、哪一帧"导致该决策，影响临床接受度。
个人反思与批判性分析
- "宏观分诊"是务实而非妥协：作者坦诚 CNN 在细粒度分类上失败，转而把 AI 定位为"快速分诊工具"——这一战略选择比强行追求 7 分类准确率更值得学习。临床落地应从高确定性任务切入。
- 作者团队的数据规模差距：Muscogiuri 288 例 vs. Denzinger 2867 例——大 10 倍的训练集带来 AUC 提升 0.04–0.05，提示该任务对数据规模敏感，单纯扩数据是必要但不充分的条件。
- 钙化积分的"外挂"意义：Denzinger 加入钙化积分使 AUC 提升 0.05，但这本质上说明纯影像 CNN 还没"学会"利用钙化信息——未来需要在网络架构中内嵌钙化感知机制（如 attention on calcified regions）而非简单拼接。
- Huang BAC 关联的解读：DL-CAD-RADS 与乳腺动脉钙化相关，提示 CAD-RADS 可能成为"系统性动脉粥样硬化负担"指标——这一思路比单纯"冠脉评估"有更广的临床意义，但需在更大人群中验证是否独立于 Framingham / ASCVD。
- 方法论的"简单化"：作者公开的 2D-CNN 架构（3 块卷积 + 2 个全连接层）是 2016–2018 年的标准做法，但 2020 年后 Vision Transformer、Swin-UNet 等新架构在该任务上的对比未提供——读者应意识到这是"够用就好"而非"最优"。
- 与第 25、31、53 章的互补：本章"CAD-RADS 自动化"是临床落地的最终用户界面，需要第 25 章的斑块特征、第 31 章的影像组学特征、第 53 章的决策支持来共同驱动。建议读者在读完本章后，回看自己在第 25 章时对"特征重要性"的认知——会发现 CAD-RADS 自动化其实是对"细粒度特征 → 临床决策"端到端映射的需求。
重要参考文献
- [X1] Faggioni L, Coppola F, Ferrari R, Neri E, Regge D. Usage of structured reporting in radiological practice: results from an Italian online survey. Eur Radiol. 2017;27:1934-43.
- [X7] An JY, Unsdorfer KML, Weinreb JC. BI-RADS, C-RADS, CAD-RADS, LI-RADS, lung-RADS, NI-RADS, O-RADS, PI-RADS, TI-RADS: reporting and data systems. Radiographics. 2019;39:1435-6.
- [X8] Cury RC, Abbara S, Achenbach S, et al. CAD-RADS Coronary Artery Disease - Reporting and Data System. J Cardiovasc Comput Tomogr. 2016;10:269-81.
- [X9] Knuuti J, Wijns W, Saraste A, et al. ESC guidelines for the diagnosis and management of chronic coronary syndromes. Eur Heart J. 2020;41:407-77.
- [X10] Muscogiuri G, Chiesa M, Trotta M, et al. Performance of a deep learning algorithm for the evaluation of CAD-RADS classification with CCTA. Atherosclerosis. 2020;294:25-32.
- [X12] Maroules CD, Hamilton-Craig C, Branch K, et al. Coronary artery disease reporting and data system (CAD-RADS): inter-observer agreement for assessment categories and modifiers. J Cardiovasc Comput Tomogr. 2018;12:125-30.
- [X13] Abdel Razek AAK, Elrakhawy MM, Yossof MM, Nageb HM. Inter-observer agreement of the CAD-RADS in patients with stable chest pain. Pol J Radiol. 2018;83:e151-9.
- [X14] Xie JX, Cury RC, Leipsic J, et al. The Coronary Artery Disease-Reporting and Data System (CAD-RADS): prognostic and clinical implications associated with standardized CCTA reporting. JACC Cardiovasc Imaging. 2018;11:78-89.
- [X16] Bittner DO, Mayrhofer T, Budoff M, et al. Prognostic value of coronary CTA in stable chest pain: CAD-RADS, CAC, and cardiovascular events in PROMISE. JACC Cardiovasc Imaging. 2020;13:1534-45.
- [X17] Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88.
- [X18] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436-44.
- [X20] Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting. J Machine Learning. 2014;15:1929-58.
- [X21] Huang Z, Xiao J, Xie Y, et al. The correlation of deep learning-based CAD-RADS evaluated by coronary CT angiography with breast arterial calcification on mammography. Sci Rep. 2020;10:11532.
- [X22] Denzinger F, Wels M, Breininger K, et al. Automatic CAD-RADS scoring using deep learning. MICCAI 2020.