第26章：基于人工智能的冠状动脉疾病报告和数据系统（CAD-RADS）（Artificial Intelligence-Based Coronary Artery Disease Reporting and Data System (CAD-RADS)）

Introduction

本章作者 Giuseppe Muscogiuri 等首先梳理了放射学报告从自由文本形式向结构化报告演进的趋势，认为结构化报告的核心优势在于提供一个标准化的、层级清晰的、紧扣临床问题的报告方式[1]。结构化报告的应用已从早期局限于特定身体部位扩展到几乎全身各个系统[2–8]。在心血管影像中，最具代表性的结构化报告方案是冠状动脉疾病报告和数据系统（CAD-RADS），它由多学会、多学科工作组于 2016 年发布的专家共识文件所确立，旨在改善冠脉 CT 血管成像（CTA）的结果向转诊医生的沟通，从而对疑诊冠状动脉疾病（CAD）患者实现更好的临床管理。这种以患者为中心的方法可对患者进行分层、规范化治疗路径[8]。

CAD-RADS 分类由以下几级组成：CAD-RADS 0（无 CAD）、CAD-RADS 1（微小非阻塞性 CAD）、CAD-RADS 2（轻度非阻塞性 CAD）、CAD-RADS 3（中度狭窄）、CAD-RADS 4（重度狭窄）和 CAD-RADS 5（完全闭塞）。在研究结果不具诊断价值时还可附加"N"类[8]（详见 Table 26.1）。这种以患者为单位、能够快速传达冠脉病变负担的分类方式，是 CAD-RADS 的主要优势之一；考虑到欧洲心脏病学会（ESC）指南推荐后 CCTA 将在临床实践中大规模普及，结构化、标准化的报告将更显价值[9]。作者接着指出，人工智能（AI）作为一种可在短时间内评估 CAD-RADS 的工具，虽然目前主要仍局限于研究目的，但很可能成为心脏影像的重要工具；本章的写作目的即在于阐述 AI 在 CAD-RADS 分类中的应用现状。

Application of CAD-RADS in Clinical Practice

作者接下来回顾了 CAD-RADS 在临床实践中的可靠性和预后价值。Abdel Razek 等人在一项 96 例稳定型胸痛患者的研究中评估了 CAD-RADS 评分的观察者间一致性，所得总体一致性系数为 k = 0.862[13]。Maroules 等人则在由资深读者和初级读者构成、且包含不同图像质量的评估场景中分析了 CAD-RADS 的观察者间一致性；结果显示类别相关的组内相关系数（ICC）整体优秀（ICC = 0.958），资深读者的 ICC 为 0.925，初级读者为 0.904；在高图像质量下 ICC 为 0.944，中等图像质量下为 0.887[12]。作者据此认为，AI 的引入将克服可重复性的局限，因为 AI 方法独立于读者经验且不易疲劳。

在预后价值方面，Xie 等人基于 CONFIRM 注册研究的队列分析显示，CAD-RADS 0–5 五个评分对应的 5 年生存率介于 95.2% 到 69.3% 之间[14]。在与 Duke 指数和 CCTA 预测心肌梗死的对比中，CAD-RADS、Duke 指数和 CCTA 三者的 C 统计量均为 0.70[14]；同时 CAD-RADS 评分的增加与有创冠脉造影操作数量的增加呈正相关[14]。在 SCOT-HEART 试验的一个亚组队列中，Williams 等人发现 CAD-RADS 评分越高、发生致死性或非致死性心肌梗死的风险越高，CAD-RADS 4b 类的风险比（HR）达到 19.4[15]。在更大规模（3840 例患者）的队列中，Bittner 等人展示了 CAD-RADS 在风险分层中的能力：CAD-RADS 4b 和 5 类的 HR 为 30.80，CAD-RADS 1 类为 2.66；在用动脉粥样硬化性心血管病（ASCVD）风险评分校正后，CAD-RADS 1 类和 5 类对应的 HR 分别为 2.43 和 21.84[16]。

作者在节末总结：CAD-RADS 对常规临床实践中的准确风险分层至关重要，但报告结果会因读者经验不同而异，且以患者为单位、需对所有冠脉的病变负担进行评估的图像分析过程耗时；引入 AI 可改善可重复性、加速整个 CAD-RADS 评估流程。

Development of CNN for CAD-RADS Analysis

作者转而讨论卷积神经网络（CNN）的技术原理。CNN 是目前用于医学图像诊断分类与预测的最强大的深度学习技术[17]，由一系列卷积和池化算子后接一个标准的全连接人工神经网络构成；通过迭代学习（即训练）阶段，CNN 通过最小化预测值与真值标签之间的误差来提升自身性能[18, 19]。前两类层（卷积和池化）执行特征提取，全连接层将提取出的特征映射到最终的输出类别；连续卷积—池化模块的叠加使网络能够从单一边缘逐步检测到更复杂的对象。其他超参数控制 CNN 的复杂度与性能，其中 dropout 层和正则化项限制了过拟合效应[20]；全连接部分的神经元数量、隐藏层数以及学习率、优化器、训练轮数（epochs）、损失函数、卷积滤波器数量和训练/测试集比例等设置都会显著影响 CNN 的效能与效率。

作者强调，针对 CAD-RADS 分类，一个合适的 2D-CNN 实现方案是：三个"卷积+最大池化"块串接（每个卷积层至少 32 个 3×3 滤波器，池化窗口 2×2）、一个两隐藏层（分别为 16 和 8 个神经元）的密集连接网络加一个输出层，并在第一个隐藏层前加入 dropout 率 0.5 的丢弃策略；除输出层采用 softmax 外，每个神经元最优的激活函数为 ReLU；为保证 CNN 学到高判别性的模式，至少需要 500 次迭代训练轮数和数据增强策略[10]。最后，鉴于 CT 扫描通常以 DICOM 标准存储（约 256 个 512×512 切片），若输入是单帧或帧拼图，则前述 2D 架构足够；若以原始 3D 形式（frame×height×width）馈入网络，则需改用 3D CNN 配置。

Table 26.1 详细列出了 CAD-RADS 各级分类的冠脉狭窄程度、解读、进一步检查与管理建议：CAD-RADS 0（0%，无 CAD，无需进一步检查，需排查胸痛其他原因）；CAD-RADS 1（1–24%，微小非阻塞性 CAD，评估危险因素修正和预防性治疗）；CAD-RADS 2（24–49%，轻度非阻塞性 CAD，评估危险因素修正和预防性治疗）；CAD-RADS 3（50–69%，中度狭窄，可考虑功能性评估，评估抗缺血、预防性治疗和危险因素修正）；CAD-RADS 4a（单支或双支 70–99%，重度狭窄，需行功能性评估或 ICA，评估抗缺血、预防性治疗和危险因素修正，并评估其他治疗如血运重建）；CAD-RADS 4b（左主干 >50% 或 3 支血管 ≥70%，需 ICA）；CAD-RADS 5（100%，完全闭塞，需 ICA 和/或存活评估，评估抗缺血、预防性治疗和危险因素修正，并评估其他治疗如血运重建）；CAD-RADS N（结果不具诊断价值，无法排除阻塞性 CAD，需进一步评估）。

AI Applications in CAD-RADS

作者在第四节综述了 AI 在 CAD-RADS 中的应用现状，指出相关研究目前仍以"在短时间内评估 CAD-RADS"为目标，公开发表的文章仅寥寥数篇[10, 21, 22]。

第一项研究是作者团队 2020 年发表的 288 例 2D-CNN 研究[10]，他们设计并对比了三种 CAD-RADS 划分方案下的 CNN 性能：Model A（CAD-RADS 0 vs 1–2 vs 3–5）、Model 1（CAD-RADS 0 vs >0）和 Model 2（CAD-RADS 0–2 vs 3–5）。Model A 的敏感度、特异度、阴性预测值、阳性预测值和准确率分别为 47%、74%、77%、46% 和 60%；Model 1 为 66%、91%、92%、63% 和 86%；Model 2 为 82%、58%、74%、69% 和 71%。自动识别 CAD-RADS 的时间为 104.3 ± 1.4 秒，而人工分析为 530.5 ± 179 秒[10]。

第二项研究是 Denziger 等人在 2867 例大样本队列中开发的 CNN 算法[22]，采用了与作者团队相同的 Model 1 和 Model 2。Model 1 的 AUC、准确率、敏感度和特异度分别为 0.860、0.849、0.489 和 0.907；在与钙化等级回归结合后分别为 0.914、0.888、0.532 和 0.945。Model 2 的 AUC、准确率、敏感度和特异度分别为 0.901、0.838、0.879 和 0.759；与钙化等级结合后分别为 0.923、0.860、0.891 和 0.802。

第三项研究是 Huang 等人分析基于深度学习评估的 CAD-RADS 与乳腺动脉钙化（BAC）之间关系的工作[21]，将 CAD-RADS 分为低（<3）和高（≥3）两组，结果显示高 CAD-RADS 组与更高的 BAC 患病率相关[21]。

作者总结：上述三篇文章均基于深度学习，证明了开发可自动给出 CAD-RADS 分析的 AI 算法的可行性，并展示了较高的 CAD-RADS 评估准确度（Fig. 26.1 给出当前 DL 算法水平总览；Fig. 26.2 和 Fig. 26.3 给出 AI 工具正确识别 CAD 的两例）。但研究也存在明显局限：这些算法尚无法识别 CAD-RADS 的精确分级，仅能区分某些"宏观区域"。未来需开发能识别精确分级的算法，从而真正加速 CCTA 后处理。

Conclusion

作者在结尾指出，AI 在 CAD-RADS 评估中的应用有望在短时间内完成 CAD-RADS 评分[10]；考虑到 CCTA 检查量持续增长，新的 AI 算法的发展将有助于缩短时间、提高诊断准确度。尽管这些算法可能对临床实践有用，但需要认识到 CAD-RADS 评估应与缺血评估和高级斑块分析相互补充。开发能够同时分析多种形态学和功能学参数的复杂 AI 算法，是 AI 在 CAD 应用中的下一步。

本章个人批注

本章是 DeCecco 全书中"AI 应用 + 临床报告"主线的一章，把 AI 技术落到一个非常具体、临床上早已扎根的分类系统上：CAD-RADS。作者的论证路径是从结构化报告的总体趋势（多学会共识文件背景）→CAD-RADS 在临床实践中的可靠性（观察者间一致性）和预后价值（HR 显著上升）→AI 介入的合理性（耗时、可重复性）→CNN 架构的具体设计（超参数、DICOM 输入的 2D/3D 决策）→三个独立研究的具体数字（Muscogiuri 2020、Denziger 2020、Huang 2020）。这种从"为什么需要 AI"到"具体怎么实现"的递进对我自己的写作很有范式价值。

一个值得注意的数字是 CAD-RADS 1 类与 5 类的 HR 差异（Bittner 2020：30.80 vs 2.66；ASCVD 校正后 21.84 vs 2.43），这表明 CAD-RADS 作为粗粒度分层工具仍携带相当的预后信息；而 AI 的加入能否在保留这种预后能力的前提下提升效率和一致性，是 ch26 留给读者的开放问题。三项 CNN 研究都承认算法无法精确分级、只能划分"宏观区域"，这一共同的局限是当前文献的关键缺口，也是未来研究最直接的目标。Table 26.1 给出 CAD-RADS 0–5 + N 的完整阈值和管理建议，可以作为后续章节引用时的快速参考。

与上下章的衔接（一段话）

紧接 ch25 把斑块数据转化为"个体化心血管事件预测概率"，ch26 把视角切换到面向临床报告的结构化分层系统：CAD-RADS。ch25 关心"这位患者未来风险有多大"，ch26 关心"如何用统一类别把这种风险传达给转诊医生并指导下一步处理"——后者正是 CAD-RADS 作为多学会专家共识系统的核心定位。ch26 又与下一章 ch27（基于 CT 的无创血流储备分数 CT-FFR）形成对照：ch26 关注的是"形态学"层面的标准化报告，ch27 则推进到"功能学"层面的无创计算，两者共同构成从解剖到生理、从报告到决策支持的完整 AI 辅助冠心病评估闭环。