第16章：基于人工智能的对比剂优化（Artificial Intelligence-Based Contrast Medium Optimization）

Background in Scan and Contrast Media Protocols（扫描与对比剂方案背景）

本章先把冠状动脉 CT 血管成像（CCTA）与对比剂（CM）应用的基础事实铺开。CCTA 在排除冠状动脉疾病上具有非常高的阴性预测值（99%）[1]。要达到诊断准确度，冠状动脉腔内强化必须足够高（>325 HU）[2]。碘的 k-edge 位于 33 keV 处，当管电压靠近这个 k-edge 时，碘的衰减随之增加 [3]，因此可以通过降低扫描采集时的管电压来增加血管或实质强化。每个患者每次扫描都可以通过调整不同参数来达到足够的冠脉强化：第一，碘输送速率（iodine delivery rate, IDR）被认为是血管结构强化最具决定性的参数 [4, 5]；第二，与"一刀切"方案相比，按体重调整的 CM 注射方案能使冠脉强化更均匀 [6]；第三，"10-to-10 规则"在管电压基础上进一步优化 CM 用量——管电压降低 10 kV，IDR 也应降低 10%，反之亦然 [7]。

在 CM 时机优化上，可以使用 test bolus 或 bolus tracking 技术 [8]。test bolus 方法是在注射小剂量 CM 后，沿 z 轴某一位置采集多层低剂量轴位图，test bolus 与主 bolus 的流速和浓度相同，由此生成一条时间-强化曲线，确定峰值强化的时间作为主剂量扫描的延迟 [9]。bolus tracking 则是注射 CM 后测量预设血管内的衰减，一旦衰减达到阈值，再经过一个预设的固定延迟后启动扫描 [10]。

心脏扫描有三种采集模式：ECG 触发（flash，即高螺距模式）、前瞻性 ECG 门控（step and shoot）和回顾性 ECG 门控（螺旋），具体协议取决于心率与心律 [11]。迭代重建（IR）、自动管电流调制（ATCM）与自动管电压选择（ATVS）目前已纳入日常临床流程，但这些技术是半自动的，须由放射技师确认，一般不算在 AI 范畴内。结合了扫描协议信息（管电压与管电流）与患者特征和临床问题的 CM 注射器，是一个有望自动优化 CM 应用的有前景工具，但尚未被开发与同步。如今，个体化 CM 注射协议在很大程度上仍是手动且耗时的操作，这解释了为什么许多中心仍然偏好标准化的"一刀切"方案。

Artificial Intelligence for Contrast Media Optimisation（用于对比剂优化的人工智能）

因为技术发展，心脏 CT 扫描时长如今已非常短，从数秒到亚秒成像不等。对冠状动脉成像而言，快速的扫描采集是有利的，因为它可以在一个心动周期内完成全心成像，进而降低辐射与 CM 剂量。但更快的扫描器和更短的 CM 协议带来更严格的扫描时机问题：错过峰值强化的概率增加，特别是对血管结构而言 [9, 10, 12]。AI 有可能改善扫描与 CM 之间的协调，从而为每个个体患者优化 CM 与辐射剂量。

单次心跳内完成胸部扫描减少了运动伪影，如今心脏结构往往可以在常规胸部 CT 上评估 [12]。图像质量可能足以评估心脏，但在常规胸部 CT 上，心腔内的 CM 分布可能不足。心脏强化不充分并不令人意外，因为专用心脏扫描比常规胸部 CT 在 CM 注射后较晚执行 [13]。因此，关于心肌病与瓣膜变化的信息可能就此隐藏。一种 triple rule out 协议曾被倡导用于改善胸部 CT 的心脏图像质量 [14]；然而 AI 可以绕过 triple rule out CM 协议所需的额外 CM 容量，甚至可以完全绕过 CM 的需要。一项 DCNN 在这些方面也已被证明是有益的 [15]：Santini 等人开发了一种 DCNN，能从胸部非增强图像生成出对比增强 CT（CECT）图像，所构建的网络模仿了人类视觉系统 [15]。软件在非 CECT 图像上勾勒出左心室轮廓，进而合成 CECT 图像。非增强图像与真实 CECT 图像以及合成 CECT 图像之间进行了比较：使用 Normalized Mutual Information（NMI）来量化模型生成接近真实 CECT 的合成 CECT 能力，Dice 指数用于评估心室的相似度。合成 CECT 与真实 CECT 相比获得了较好的相似度（NMI = 0.93 ± 0.03），左心室的提取也是可行的（Dice = 0.88）。因此，可以从非 CECT 图像中减去左心室，并在常规胸部 CT 上提供心脏的体积信息 [15]。Mannil 等人使用纹理分析与机器学习在未增强低辐射剂量心脏 CT 上检测心肌梗死 [16]。DCNN 与机器学习都能够从非 CECT 图像中检索潜在信息。因为心室信息可以从非 CECT 图像中减去，所以"以低 CM 剂量或在替代 CM 时机下生成最佳对比增强冠脉图像"看似只是一个小步骤。

在当前临床实践中，CCTA 已经可以仅用含 9 g 碘的 CM 总量就获得诊断级图像质量，进一步减少 CM 对保护肾功能可能并无必要 [17]。然而需要指出，减少 CM 用量也降低了医疗成本；此外，碘化 CM 会进入地下水并对环境产生影响 [18]。AI 可在推进个体化 CM 协议的广泛接受与实施上发挥重要作用，方式是让 CM 个体化过程完全自动化。这种个体化可能对放射组学（radiomics）等高级数据特征化算法有益。心输出量与 CM 注射方案的差异会影响 CM 在组织中的分布，扫描采集参数的差异则会影响空间分析 [19]，因此扫描与 CM 协议的差异会影响从放射组学算法中提取的特征。为了在未来最优化地应用放射组学，扫描与注射协议在各家医院与各国之间变得可比，似乎是至关重要的。

Takumi 等人在动态肝脏成像中使用了同一患者既往 CT 扫描的 bolus tracking 数据：基于既往 bolus tracking 数据的扫描延迟产生了相近的 CM 强化，因此既往 bolus tracking 数据可以用于后续扫描，缩短检查时间并降低辐射暴露 [20]。然而，要把这一思路用在心脏成像上更具挑战，因为药物、疾病、患者应激水平和当日时段等多种因素都会影响心输出量。全世界不同医院之间 CM 协议的统一，最终可以在每次扫描、每个患者身上实现最优的（冠脉）强化。通过在全球范围内个体化与优化 CM 注射协议，目标结构的衰减将变得更为一致，这对未来的 AI 技术也是有利的。

Artificial Intelligence for Contrast Media Injection Protocol Selection（用于对比剂注射协议选择的人工智能）

前瞻性、回顾性 ECG 门控协议的扫描时长因此也比 ECG 触发的 flash 协议更长，相应地需要更长的 CM 注射协议，以确保冠脉强化充分。三种不同的心脏扫描协议使扫描与 CM 协议的个体化更加复杂。心律不齐会使协议选择变得更困难，ECG 信号与数据采集的同步问题有时会导致图像质量不满足诊断要求，必须重复扫描，且第二次扫描也不能保证诊断质量。AI 可以学习识别特定的心律模式并选择合适的扫描协议。此外，在为个体患者确定最佳扫描协议时，AI 模型应能根据具体临床问题，在可用扫描器上选择合适的 CM 注射协议。需要指出的是，采用固定触发延迟的 bolus tracking 在心输出量极高或极低的患者中可能错过峰值强化，因为它没有考虑患者特异的心血管参数 [9, 10]。AI 与机器学习算法可以用于在使用 bolus tracking 时个体化触发扫描延迟。Hinzpeter 等人提出至少使用四个 bolus tracking 强化值来评估个体患者的 CM 动态，这些信息可以与在线数据库中不同动脉血液循环曲线进行匹配，由此根据最匹配患者的强化曲线确定最佳扫描时机 [10, 21]。

理想情况下，AI 将推荐最合适的协议，使图像质量欠佳与重复扫描成为历史。此外，如果能够预测前瞻性 ECG 门控采集是否能够顺利执行，将非常有价值。例如，一个能预测早搏会导致扫描时间延长的 AI 算法，可以在扫描中途调整 CM bolus，以确保整个扫描期间强化充分。

AI-Based Image Reconstruction Techniques（基于人工智能的图像重建技术）

如前所述，降低管电压对辐射与 CM 剂量都有利，但代价是图像噪声增加。降噪算法在此提供了专门的机会。基于知识的 IR 算法通过基于惩罚项的代价函数最小化实测原始 CT 数据与估计图像之间的差异 [22]，能够降低图像噪声、提高对比噪声比（CNR）[23]。Wang 等人评估了一种基于 DCNN 的 AI 降噪算法 [24]：该 AI 降噪算法基于 40 例主动脉 CT 的正常剂量与模拟低剂量数据训练而成，专用算法学到输出等于输入减去噪声，从而能生成降噪图像；该算法改善了主动脉的图像质量，使 CM 剂量可降低 50% [24]。

另一条减少辐射与 CM 的途径存在于每日大量的随访 CT 扫描中，例如肿瘤患者，他们对同一解剖区进行反复扫描，因此这些扫描之间共享的解剖信息是可用的，这些信息可以被 IR 算法用来显著改善诊断图像质量 [25]。未来可能会利用同一患者为不同适应症所做的扫描中的解剖信息来做计划中的心脏扫描，从而同时降低辐射与 CM 剂量，这将带来扫描与 CM 协议的双重优化以及工作流的改善。

非钙化与低衰减斑块比钙化斑块更容易引发未来事件，因为钙化可能使冠脉斑块稳定 [26]。此外，正性重构、点状钙化与 napkin-ring 征都是高危斑块的指标 [27]。读者之间偶尔会在判读上出现较大差异，尤其是 blooming 伪影会妨碍软斑块的判读。在这方面，减影技术可能是减少这些 blooming 伪影的有前途手段 [28]。扫描质量、CM 应用以及读者的经验和发现的细微差别都会影响 CCTA 的主观评价 [29]。AI 技术有助于标准化斑块判读，甚至可能更进一步确定斑块特征 [27, 30]。

Workflow（工作流）

CT 或 MRI 扫描的安排通常是放射科辅助人员的工作，耗时且容易出错。AI 算法可以用于规划与安排这种医疗流程 [31]。选择正确的成像模态、扫描与 CM 注射协议以及理想的检查日期（例如应在 1 小时内还是 1 个月内完成扫描），是安排检查时需要考虑的参数，这些任务可能既困难又易变，但对 AI 算法来说可以比较容易。这种自动化调度可以包括患者优先级排序与最优成像技术（如超声、CT 或 MRI）的选择 [31]。

既往研究的信息可以被纳入考虑：焦虑的患者、已知的与 CM 相关的不良结局风险因素、静脉通路建立困难或已知的心律不齐（除常不可预测的矛盾性房颤外）等，可以预先知道。这些信息可以用于为所申请的 CT 或 MRI 检查选择特定时间槽。正确预测扫描类型与扫描时长将提高扫描器与工作人员的使用效率 [21]。总体而言，这种优化的工作流将带来更好的患者照护。

Red Flags（红旗警告）

冠脉、主动脉与肺动脉的最低诊断性血管强化已被充分研究 [32]。衰减低于阈值可能导致图像质量不满足诊断要求，而强化过高时，CM 反而会产生模拟相关发现的伪影，同样使图像质量欠佳。对每个目标（血管结构）都可以为每次 CT 检查定义一个衰减范围。如果未达到下限，或超过诊断 HU 上限，该检查即被认为是欠佳的。在目标结构强化欠佳的图像上排除大体病理或许仍可行，但显著发现被遗漏或误读的风险会增加。运动伪影、心律不齐以及不慎发生的扫描器和/或注射器设置错误，都可能造成非预期的图像质量不足 [33]。理想情况下，算法可以在患者离开扫描室前即对图像质量做出核准：程序应能判断冠脉衰减是否充分，以及是否存在影响判读的显著伪影。

有时，一个门诊 CT 或 MRI 检查可能在工作列表中排队数日，但扫描显示了需要立即关注的意外病理。AI 可以被训练来识别并"标记"扫描中出现意外临床显著发现的情况，使其得到立即审阅。例如，一个显著的不稳定冠脉斑块、升主动脉的动脉瘤或夹层、或即将发生的心包填塞，都可触发报警信号，通知放射科医师立即查看该检查。

Summary（小结）

AI 有望通过为每位患者确定个体化的 CM、扫描与重建技术来贡献于质量保障。扫描结束后可自动进行目标结构的衰减检查，并在出现需要立即关注的病理时给出警告信号（图 16.1）。更进一步地，当首次或既往任意一次扫描被认为不满足诊断要求时，如果 AI 能够确定要调整哪些参数、调整到何种程度以达到足够的图像质量，将是极有价值的。AI 可能在基于患者与扫描器特征以及疑似临床病理来个体化 CM 协议方面有用，从而改善日常临床照护与工作流，但在这方面，问题在于这是否能在不久的将来真正落地，这取决于法律层面的考量：出了差错，谁来承担责任？这引出一个伦理讨论，它必须在 AI 广泛纳入医学成像之前进行。自动驾驶汽车的例子清楚地划出了这片灰色地带：当旁观者受伤时谁负责，自动驾驶汽车能否承担责任？与人相比，汽车在事故即将发生时可能无法做出道德指导下的决策。正因为这些讨论，自动驾驶汽车的引入至今尚未真正实现 [34]。AI 接管放射科医师的工作在伦理上同样不是那么简单。一个反复出现的讨论议题是 AI 是否会接管放射科医师的工作：Geoffrey Hinton 在 2016 年多伦多的一次发言中表示，由于深度学习将在 5 年内超过放射科医师，所以不应再培训新的放射科医师 [35]。只要 AI 被视为潜在威胁，我们就可能错过它所蕴含的全部机遇。本章指出了 DCNN、机器学习与深度学习作为 CT 和 MRI 中 CM 优化工具的可能性，这些应用可以用于改善工作流、图像质量乃至诊断能力。如果我们尽早采纳 AI 提供的机遇，放射学的未来是光明的。

本章个人批注

本章给我留下几个深刻印象，最突出的是它把"个体化 CM 协议"这件事切成三个相互关联又彼此独立的子问题：CM 用量、CM 时机（bolus timing）、CM 协议选择（与扫描协议绑定）。这三个子问题在源文里分别对应不同段落，但又彼此影响——例如 IDR 与管电压要按 10-to-10 规则联动、bolus tracking 的固定延迟在高/低心输出量患者中会失灵、心律不齐会让前瞻性 ECG 门控协议的同步变得不可靠。作者在每个子问题下都给了 AI 可以介入的具体抓手：Santini/Mannil 用 DCNN 从非 CECT 图像合成 CECT 信息以绕过额外 CM、Wang 等人用 DCNN 降噪换取 50% CM 剂量节省、Hinzpeter 等人用多个 bolus tracking 强化值匹配数据库曲线确定个体化延迟、Takumi 等人在既往 bolus tracking 数据上做"跨扫描复用"。这些都是非常具体的、可落地的方案，而不是泛泛的"AI helps"。

第二点是作者对伦理与责任的明确态度。AI 个体化 CM 的最大不确定性不在技术，而在"谁来负责"。自动驾驶汽车的类比是源文里反复出现的——机器不会像人那样做出道德指导下的决策，所以自动化的法律前提目前还没有。Geoffrey Hinton 的"5 年内不需要再培训放射科医师"被作者引用后又紧接着被反方使用——作者认为，把 AI 当成威胁，反而会让人错过它的机遇。这是少见的、把"AI 取代人"叙事解构成"AI 取代叙事"本身的写法，值得记住。

第三点，本章 Red Flags 一节对"suboptimal attenuation"作了清晰的双向界定：低于阈值与超过阈值都算欠佳，CM 过高反而会产生模拟相关发现的伪影。这个"双向阈值"的概念在心胸影像里并不总是被清晰表述，作者用血管结构各自的衰减范围把它具象化，这是临床直接可操作的工具。

最后，本章与 ch15 的衔接有一个值得记录的反差：ch15 用整章篇幅讨论 AI 用于 CT 重建与增强（材料分解、去噪、质量评估、四类重建范式），本章则把 AI 降噪定位成"换取更低 CM 剂量"的一种手段。同一类降噪算法在 ch15 与 ch16 的角色定位不同——ch15 是"提升图像质量"，ch16 是"用同样的图像质量换取更少的对比剂"。这个差别是阅读两章后我自己的关联，本章源文并没有明确强调。

与上下章的衔接（一段话）

本章是 Part II "AI 应用于 CT 和 MR 物理"中紧接 ch15 的一章。ch15 集中讨论 AI 在 CT 重建与增强（材料分解、去噪、质量评估、四大类重建范式），ch16 则把视野收回到对比剂（CM）个体化这个具体的临床问题：冠脉成像需要足够的腔内强化（>325 HU），而 CM 用量、CM 时机与 CM 协议选择都是可以个体化的抓手。ch15 提供了"AI 降噪算法可以换来更低 CM 剂量"的技术基础，ch16 把这条线索进一步扩展到 CM 时机、注射协议选择、工作流调度与质量门控等多条支线。下一章 ch17 "Radiation Dose Optimization: The Role of AI" 将与本章在叙事上构成自然配对——ch16 处理的是对比剂优化，ch17 处理的是辐射剂量优化，二者都通过 AI 重建/降噪换取更低的人体负担。