据统计，卒中是全球第二大死亡原因和第三大致残原因。颈动脉粥样硬化斑块是导致约20%卒中病例的主要危险因素。通过积极和及时治疗其致病危险因素可以预防卒中的发生，准确检测颈动脉粥样硬化斑块是至关重要的。

超声波（US）被推荐为检测颈动脉粥样硬化斑块的一线检查。此外，US是一种可负担得起的检查，其风险和不适感可以忽略不计。然而，US评估需要训练有素的人员，检测结果可能会受到操作者经验和专业知识差异的影响。初级放射医师（具有约1年的颈动脉US评估经验）和专家放射医师（具有10年以上的颈动脉US评估经验）的解释差异率高达47%。例如，低回声斑块更容易被初级放射医师忽视，因为斑块回声低，导致这些斑块看起来与血管内的液体相似。此外，由于混响、折射和衰减伪影的影响，检测近壁、侧壁和颈动脉分叉处的斑块对初级放射医师来说是个挑战。充分的实践培训和专家放射科医生的即时反馈和指导可能是目前提高初级放射科医生表现的最有效策略。然而，在现实中，由于放射科专家全职工作的实际限制，很难实现专家监督下的实践。

深度学习是一种强大的计算技术，其特点是有多个数据处理层，在输入图像的不同位置自动进行特征检测并利用空间信息。深度学习在医学图像分析中表现出与放射科专家相当的性能，表明深度学习是一种很有前途的技术，可以提供类似于放射科专家的即时反馈和指导，可帮助提高初级放射科医生的颈动脉斑块检测性能。然而据我们所知，深度学习相关的临床应用在颈动脉超声检查中很少得到验证。目前用于斑块分割、测量和定性的DL模型大多依赖于颈动脉斑块的纵向静态图像。然而，放射科医生不是通过观察一张或几张静态超声图像，而是通过在真实环境中阅读动态视频来达到诊断目的。此外，描述已经发现的颈动脉斑块是下一步的检测工作。因此，目前的模型并不适合在临床实践中促进颈动脉斑块的检测。

近日，发表在European Radiology杂志的一项研究开发了一个DL模型-CaroNet-Dynamic-用于从输入的颈动脉横断面US视频中检测斑块，并在五个中心使用不同供应商生产的三套系统获取的颈动脉视频上评估了该模型的临床表现，为临床进行更加准确的斑块评估提供了技术支持。

本项多中心前瞻性研究是在五家医院中进行的。CaroNet-Dynamic从颈动脉横断面US视频中自动检测颈动脉斑块，并允许临床检测。使用专家注释（有超过10年的颈动脉超声评估经验）作为基础真理来评估模型性能。研究在不同的斑块特征和US扫描系统上研究了模型的稳健性。此外，通过比较初级放射医师在有无DL模型帮助下的诊断，评估了其临床应用性。

共评估了825名患者的1647个US视频。DL模型产生了很高的性能，其敏感度为87.03%和94.17%，特异度为82.07%和74.04%，在内部和多中心外部测试集上，接受者操作特征曲线下的面积分别为0.845和0.841。此外，不同斑块特征和扫描系统之间的性能没有明显差异。使用DL模型，初级放射医师的表现明显改善，特别是在敏感性方面（从46.3%到94.44%的最大增幅）。

图 CaroNet-Dynamic对颈动脉斑块检测的诊断性能。根据(a)斑块位置、特征和狭窄程度，和(b)超声扫描系统的诊断性能。(AUROC，接收者操作特征曲线下的面积；ROC，接收者操作特征)

本项研究表明，基于常规扫描视频的CaroNet-Dynamic在斑块检测方面表现良好，并显著提高了初级放射医师的检测性能。研究所提出的模型可以为快速提高初级放射医师在真实临床场景中的检测性能提供解决方案，并在未来大规模颈动脉斑块筛查中发挥重要的辅助作用。

原始出处：

Jia Liu,Xinrui Zhou,Hui Lin,et al.Deep learning based on carotid transverse B-mode scan videos for the diagnosis of carotid plaque: a prospective multicenter study.DOI:10.1007/s00330-022-09324-y