中国心血管影像AI的创新与落地

更多人的刚需并非最佳路径，而是触手可及、病有所医。

近日，雷锋网·心血管科技云峰会邀请到博动医学市场总监林晓杰博士，以「中国心血管影像AI的创新与落地」为题，解读博动医学心血管AI创新实践思路。 长期以来，作为评判心肌缺血的“金标准”，FFR（冠脉血流储备分数）在冠脉的生理学狭窄检查中一直具有不可撼动的地位，但因为使用门槛和费用问题，导致这一创新技术一直没有得到广泛普及。

博动医学将人工智能技术应用在CT、冠脉造影、腔内影像等检查当中，研发了无创的QFR技术。 林晓杰表示：“QFR技术可以直接利用冠脉造影图像进行三维重建和血流动力学，并计算出FFR值，指导介入治疗，自动推荐提供支架尺寸，提示医生需要在什么位置放支架，并指导手术路径。目前这项技术不论在三甲医院还是基层医院都受到普遍欢迎，可以辅助医生判断冠脉血流储备分数、辅助优化PCI策略制定，同时解决基层医生心肌缺血判别经验能力不足的问题。”以下为林晓杰演讲全文内容，医健AI掘金志做了不改变原意的编辑：大家晚上好，非常感谢雷锋网和医健AI掘金志的邀请，我是来自博动医学（上海）有限公司林晓杰，主要负责市场营销与战略方面工作。 今天重点谈医疗AI落地状况，主要集中在冠心病领域和博动的研发工作以及真正落地案例。心血管临床手段现状

心血管病是一个非常大的课题，分为很多种，包括结构性心脏病、高血压和动脉粥样硬化导致的冠心病，还有外周心脑血管疾病等等。 2019年的数据，目前中国冠心病患病总人数大概有1300万。但是今年上半年看到一个令人非常惊讶的数据，中国每年有超过500万患者接受冠脉造影检查，数量超过冠脉CT检查，远远超过我们的预测。 另外，2019年全国有103万患者接受冠脉支架手术，PCI年增长率超过10%。

冠脉介入手术需要在心脏介入导管室当中进行。 目前，心脏血管机95%以上市场都是进口GE、西门子或飞利浦产品。 影像类设备，例如血管超声、心脏超声，血管FFR（血流储备分数），还有OCT以及电生理CARTO等设备也基本源自进口，只有导管室是中国人自己建造。 国产替代这条路上很多设备没有真正临床落地，其中部分已经在中国获批上市。 今天介绍的中国心血管AI创新路径，主要集中在血流储备分数FFR方面。

网络数据显示，国家药监局近些年进入创新医疗器械特别审批通道中的产品中，与冠心病相关设备和耗材占很大比重，其中，影像FFR、IVUS、OCT等冠脉影像及功能学产品超过10个。 博动目前有4条产品线，均是影像FFR，其中3条进入创新通道或优先通道。 今天，主要集中介绍影像FFR领域。 先给大家做一个简单科普，冠心病患者到医院以后，应该有什么样诊断过程，用到哪一些器械和设备？

首先，疑似冠心病患者需要做冠脉CTA检查，但冠脉CTA量在中国比例不太多，做完CTA以后，如果发现可能还有问题，就需要通过介入DSA做冠脉造影检查。 做完冠脉造影以后，如果还有更复杂的病人，就需要OCT或IVUS腔内影像学检查。 阜外医院吕滨教授今年年初发表在《中国循环杂志》上的一篇文章中，整个中国冠脉年CTA量只有461万，反而有创冠脉造影量超过500万。 中国介入冠脉造影量大于CTA，这个情况比较特殊，美国CT量是造影量的2~3倍。腔内影像学使用率也不是很高，主要是因为耗材成本较高，手术相对比较复杂。 不管CT、造影，还是腔内影像，都是通过影像学技术判断患者某一个病变有没有导致心肌缺血？通过影像学判断狭窄程度后，医生会给患者植入支架或药物治疗。 但这样技术流程真的正确吗？ 关键在于影像学和形态学判断到底能不能直接定义患者心肌缺血程度？

2014年，欧洲临床试验数据显示通过影像直接判断将达到1/3的误诊率（临界病变患者中）。 怎样才能避免误诊，准确判断患者是否心肌缺血？

国际上有一种用于介入术中检查心肌缺血程度的“金标准”，就是血流储备分数FFR。FFR从2016年开始已经是IA级指南推荐。 FFR技术做法是什么？ FFR通过一根比较细的压力导丝，微创进入冠脉，测量病变远端压力和主动脉压力比，就是FFR值，如果压力之比≤0.80就说明患者有显著心肌缺血，反之就代表缺血不显著。 FFR检查过程中还需要给患者注射腺苷或ATP，让患者达到最大充血状态。 FFR有一个很明确的临界值，叫cutoff值，数值是0.80，临界值小于等于0.80就需要支架，大于0.80则不需要。

血流储备分数从1979年首次提出血管内压力重要性，到1993年首次提出FFR概念，再到1996年完成第一个人体临床实验；之后2009年完成第一个全球大型RCT（随机对照临床试验）研究。任何一个进入国际指南里的技术或临床路径都需要RCT的证据。

基于压力导丝的FFR虽然被指南IA级推荐，但在全球应用率都特别少，尤其在中国使用率还不到1%，主要因为压力导丝本身存在一些弊端。 例如，压力导丝FFR是有创检查，压力导丝需要穿入冠脉内，有一定的斑块破裂等风险，在中国花费昂贵，一根压力导丝就需要1万块，再加上检查费，整个花费大概超过13,000元。对于复杂病变，尤其斑块复杂的地方，手术也比较复杂，所以在很多基层医院都很难得到执行。AI赋能心血管精准诊断

那么，AI是否能够赋能心血管病的诊断精度，或者它临床应用呢？

博动医学判断AI在影像FFR当中起到的作用时，包括CT、冠脉造影、IVUS和OCT等一系列影像方法，AI最主要的作用是辅助更高效且精准地把血管和组织结构分割出来。 例如，在CT上把血管管腔、中膜以及斑块分割出来。AI在影像FFR中就是提高效率，提高结构分割的准确度，但是我们认为用AI直接计算FFR存在较大问题。 原因在于深度学习算法都需要一个庞大的训练集，如果训练集不足够大，训练一定是不准确的，全球有影像学（如CTA、OCT、IVUS），同时又有FFR参数的病例。

目前，影像FFR主要分为两大类，一类是门诊、放射科做检查，基于CTA的叫FFRCT或者CT-QFR。另外一类是介入导管当中，例如基于冠脉造影QFR，腔内影像OFR以及UFR技术。 FFRCT相对于冠脉CTA，其准确度更高，能帮助医生更准确地筛查冠心病患者，减少一部分不必要的冠脉造影检查。 基于介入手术当中的技术，包括QFR、OFR还有UFR，这类技术更多在手术过程中辅助完成判断，进行手术规划，包括手术精准诊断和手术规划功能，以及发现罪犯病变、术后冠脉疗效评估等功能。实践三大案例前面提到的三类技术FFRCT、基于造影QFR和基于腔内影像，将分别用案例做一个介绍。

案例1，博动医学的CT-QFR技术，目前已进入国家药监局创新医疗器械特别审批程序。

2016年，美国著名心血管期刊——JACC期刊上面发表一篇论文，论证美国HeartFlow公司研发的FFRCT指导冠心病患者诊疗路径，从中发现FFRCT筛选以后，61%患者不再需要有创冠脉造影，减少冠脉造影人群数量，同时降低美国医保支付费用。 从2017年开始，HeartFlow公司FFRCT，在美国很多医保公司进行支付，平均收费价格仅有2000美元一次。 现在，HeartFlow已经是一家独角兽公司，2018年估值就已经达到15亿美金，就是靠这个产品模式盈利。 博动公司CT-QFR计算原理是什么？ 博动CT-QFR原理，更多通过优化的流体力学方程，就是由博动自主研发的QFR核心算法完成FFR的计算过程。

这种方法在博动医学冠脉造影FFR（QFR）里已经得到大量验证，通过冠脉CT把血管冠脉重建出来。

2019年，欧洲EuroPCR大会上，上海交通大学涂圣贤教授（QFR、UFR/OFR、CT-QFR技术发明人）在大会做了关于博动医学CT-QFR临床验证的报道，诊断准确度可以达到87.3%。 这篇文章也发表在心血管著名期刊上--JACC Cardiovascular Imaging，影响因子达到12.74分。

CT-QFR在2019年10月份，也进入国家创新医疗器械特别审批通道。这是博动第二个产品进入创新通道，第一个进入创新通道是QFR产品，已经获得NMPA三类医疗器械注册证。

基于冠脉造影QFR技术到底怎么做？案例2，基于造影FFR技术，博动医学的QFR产品。通过冠脉造影图像进行三维重建和模拟，最后得到血管每一个点FFR值，通过这个值直接判断狭窄有没有导致患者心肌缺血，指导介入治疗，并自动提供支架尺寸推荐，告诉医生在哪些地方放一个什么尺寸的支架。

QFR整个操作流程和原理跟前面CT-QFR有所不同。

首先，数据源是基于冠脉造影数据，然后数据被传输到博动医学QFR系统中，系统放在医院导管室。 这套系统主要进行几步分析： 第一，全自动冠脉重建。通过两个二维造影体位图像，快速重建获得冠脉三维结构，三维结构获取后，TIMI数帧和优化的流体力学方程，通过QFR核心算法将静息态压力变化转化成最大充血态的压力变化快速计算获得冠脉FFR。 同时，整个QFR计算不需要获得静息态的冠脉或主动脉内压力，因为研究表明患者从静息态变化到最大充血状态的压力其实没有规律。在2019年西班牙一位课题组曾发表过一篇重要研究论证过此事，也证明了是否给予主动脉压，对于QFR的计算准确度没有影响。 、

例如，静息态下是这样一个水平，最大充血下有可能很高，有可能不变，有可能更低，其中没有规律。 此外，它不需要额外耗材，没有创伤，不需要注射腺苷或ATP这类血管扩张药，对于患者没有不良影响和副作用，费用也得到大幅降低。 基于冠脉造影的QFR检查术在中国已经有很多省份获得收费目录的批复，收费价格大概在3800元每次，比FFR检查减少了超过70%。2018年国家药监局创新通道批准，QFR获得三类医疗器械注册证。

案例3，基于腔内影像的FFR技术，也叫做OFR或者UFR。上面是一个血管内超声图像，红色圈画出来的是冠脉的真实管腔，红色和黄色之间全是斑块，包括一些小钙化点、脂质斑块、纤维斑块等。 这样一个血管给到医生时，医生需要决策手术应该怎么做？ 以前血管内超声影像做完以后，医生靠经验就可以判断手术应该怎么执行，如果要测量就非常困难，基本上都是靠手工进行。 现在，用人工智能方法把血管管腔和中膜非常迅速且准确地分割出来。然后加上全球第一个3D-IVUS重建技术，获得冠脉及其分支、斑块等信息。 通过这类血管信息，再加上前面提到的博动医学QFR算法，就可以获得一个压力分布，博动医学UFR就是基于IVUS的FFR计算，UFR就是基于IVUS的OFR计算。

博动研发的基于腔内影像FFR技术，对比原来压力导丝测量FFR方法，诊断准确度可以达到92%以上，一致性， AUC曲线下面积可以达到0.97。 前面三个例子，分别是CT-QFR技术，基于人工智能的图像分割，还有后面FFR计算。基于冠脉造影的QFR技术，是通过冠脉造影分析影像学的一个特征，然后获得它的压力分布，最后判断患者心肌缺血程度。现在，还有基于血管影像血管内超声和冠脉内OCT成像的UFR和OFR产品，还有腔内影像三维重建技术。心血管影像AI产业化与落地

影像FFR——人工智能技术在信息化领域该怎么落地？ 首先，任何一个AI技术，必须经过大量临床验证，完成临床验证以后就需要大型RCT研究论证其患者远期获益。 我们认为RCT研究是推动影像FFR技术进入指南的必经之路，只有经过大型RCT研究论证的技术才能够进入指南。 中国非常现实的情况是，医疗产品既是B to B生意，也是B to G生意，G就是government（政府）。 任何一个新技术到了临床当中以后，能不能收费将直接影响到临床的使用与推广。

目前，QFR已经在全球开展50多项临床实验，有三项RCT研究正在开展当中，其中，由中国医学科学院阜外医院牵头的国际上最大的影像FFR的RCT研究—FAVOR III China研究受到了国际专家的广泛关注。

目前，QFR和它同族的一些其他技术已经在全球20多个国家完成1万多例临床验证和研究，发表50多篇文章，影响因子超过500分。另外，还有三项大的RCT研究正在进行当中。QFR落地之路从产品研发到落地过程非常长。QFR技术研发是从2008年开始，到2018年拿到中国CFDA注册证总共花了10年时间，研发过程非常困难。 QFR检查术于2019年开始陆续获得了多省的收费目录批复。 RCT研究非常重要，只有做完RCT研究，产品才能进入指南或医保。博动医学QFR正在RCT研究当中，将于2021年发布结果。

梳理一下美国HeartFlow公司FFRCT过去几年研发过程和进入指南里面路径，推算中国影像FFR技术什么时候、经过什么过程才能够进入指南里。 FFRCT在2011年获得欧盟CE，2016年才获得美国FDA认证，在2019年才完成第一个RCT研究，也就是ADVANCE研究。 在疫情发生之前，QFR已经完成第一个RCT研究（FAVOR III CHINA）发布和患者入组，总共有3830例入组，预计明年TCT大会把结果发布出来，完成RCT研究。

FAVOR III China研究是全球首个大型RCT研究造影FFR技术，由中国医学科学院阜外医院牵头，乔树宾教授和徐波教授教授作为PI，在全国26家三甲医院当中进行。 除了前面的FAVOR III China以外，博动医学在欧洲和日本还有一个FAVOR III Europe-Japan的RCT研究，还有上海瑞金医院牵头的FAVOR IV-QVAS研究。 总结下来，博动医学在全球同步开展了三个非常重要的RCT研究，都是通过RCT方法验证影像FFR技术的临床诊断精度，提高患者远期获益和卫生经济学价值，经过这样的研究，能够技术走向指南，走向医保。最后分享博动医学落地和实践当中的意义。AI落地从临床需求提出，到产业创新、临床应用、物价收费，到最后的医院采购，企业盈利，最后反哺临床需求，进行产业创新，非常重要的一环就是物价收费。 一个好产品，如果终端不能进行收费，这项技术就不会得到临床应用。

最后引用一张国际著名期刊JACC cardiovascular interventions的一个文章。这篇文章由国际著名心血管研究专家Patrick Serruys团队发表，影像FFR计算在冠心病诊断当中的临床价值。 文章把产品分为基于CT的FFR和介入导管室的FFR。同时提到博动CT-QFR和博动QFR技术，这也是中国唯一被国际专家认可的影像FFR技术。

最后总结，心血管AI技术在冠心病精准筛查和诊治当中潜力巨大。基于AI技术需要大量临床验证，能够证明其诊断准确度。RCT研究随机对照临床实验是影像FFR落地，进入指南必经之路只有经过RCT研究，才能够证明影像FFR真的能够指导临床，让患者获益。收费闭环是实现AI企业盈利的重要策略。

原文标题：博动医学林晓杰 ：心血管AI需要怎样的全新准则？| 万字长文

文章出处：【微信公众号：IoT科技评论】欢迎添加关注！文章转载请注明出处。

责任编辑：haq