更多人的剛需并非最佳路徑，而是觸手可及、病有所醫。

近日，雷鋒網·心血管科技云峰會邀請到博動醫學市場總監林曉杰博士，以「中國心血管影像AI的創新與落地」為題，解讀博動醫學心血管AI創新實踐思路。 長期以來，作為評判心肌缺血的“金標準”，FFR（冠脈血流儲備分數）在冠脈的生理學狹窄檢查中一直具有不可撼動的地位，但因為使用門檻和費用問題，導致這一創新技術一直沒有得到廣泛普及。

博動醫學將人工智能技術應用在CT、冠脈造影、腔內影像等檢查當中，研發了無創的QFR技術。 林曉杰表示：“QFR技術可以直接利用冠脈造影圖像進行三維重建和血流動力學，并計算出FFR值，指導介入治療，自動推薦提供支架尺寸，提示醫生需要在什么位置放支架，并指導手術路徑。目前這項技術不論在三甲醫院還是基層醫院都受到普遍歡迎，可以輔助醫生判斷冠脈血流儲備分數、輔助優化PCI策略制定，同時解決基層醫生心肌缺血判別經驗能力不足的問題?！币韵聻榱謺越苎葜v全文內容，醫健AI掘金志做了不改變原意的編輯：大家晚上好，非常感謝雷鋒網和醫健AI掘金志的邀請，我是來自博動醫學（上海）有限公司林曉杰，主要負責市場營銷與戰略方面工作。 今天重點談醫療AI落地狀況，主要集中在冠心病領域和博動的研發工作以及真正落地案例。心血管臨床手段現狀

心血管病是一個非常大的課題，分為很多種，包括結構性心臟病、高血壓和動脈粥樣硬化導致的冠心病，還有外周心腦血管疾病等等。 2019年的數據，目前中國冠心病患病總人數大概有1300萬。但是今年上半年看到一個令人非常驚訝的數據，中國每年有超過500萬患者接受冠脈造影檢查，數量超過冠脈CT檢查，遠遠超過我們的預測。 另外，2019年全國有103萬患者接受冠脈支架手術，PCI年增長率超過10%。

冠脈介入手術需要在心臟介入導管室當中進行。 目前，心臟血管機95%以上市場都是進口GE、西門子或飛利浦產品。 影像類設備，例如血管超聲、心臟超聲，血管FFR（血流儲備分數），還有OCT以及電生理CARTO等設備也基本源自進口，只有導管室是中國人自己建造。 國產替代這條路上很多設備沒有真正臨床落地，其中部分已經在中國獲批上市。 今天介紹的中國心血管AI創新路徑，主要集中在血流儲備分數FFR方面。

網絡數據顯示，國家藥監局近些年進入創新醫療器械特別審批通道中的產品中，與冠心病相關設備和耗材占很大比重，其中，影像FFR、IVUS、OCT等冠脈影像及功能學產品超過10個。 博動目前有4條產品線，均是影像FFR，其中3條進入創新通道或優先通道。 今天，主要集中介紹影像FFR領域。 先給大家做一個簡單科普，冠心病患者到醫院以后，應該有什么樣診斷過程，用到哪一些器械和設備？

首先，疑似冠心病患者需要做冠脈CTA檢查，但冠脈CTA量在中國比例不太多，做完CTA以后，如果發現可能還有問題，就需要通過介入DSA做冠脈造影檢查。 做完冠脈造影以后，如果還有更復雜的病人，就需要OCT或IVUS腔內影像學檢查。 阜外醫院呂濱教授今年年初發表在《中國循環雜志》上的一篇文章中，整個中國冠脈年CTA量只有461萬，反而有創冠脈造影量超過500萬。 中國介入冠脈造影量大于CTA，這個情況比較特殊，美國CT量是造影量的2~3倍。腔內影像學使用率也不是很高，主要是因為耗材成本較高，手術相對比較復雜。 不管CT、造影，還是腔內影像，都是通過影像學技術判斷患者某一個病變有沒有導致心肌缺血？通過影像學判斷狹窄程度后，醫生會給患者植入支架或藥物治療。 但這樣技術流程真的正確嗎？ 關鍵在于影像學和形態學判斷到底能不能直接定義患者心肌缺血程度？

2014年，歐洲臨床試驗數據顯示通過影像直接判斷將達到1/3的誤診率（臨界病變患者中）。 怎樣才能避免誤診，準確判斷患者是否心肌缺血？

國際上有一種用于介入術中檢查心肌缺血程度的“金標準”，就是血流儲備分數FFR。FFR從2016年開始已經是IA級指南推薦。 FFR技術做法是什么？ FFR通過一根比較細的壓力導絲，微創進入冠脈，測量病變遠端壓力和主動脈壓力比，就是FFR值，如果壓力之比≤0.80就說明患者有顯著心肌缺血，反之就代表缺血不顯著。 FFR檢查過程中還需要給患者注射腺苷或ATP，讓患者達到最大充血狀態。 FFR有一個很明確的臨界值，叫cutoff值，數值是0.80，臨界值小于等于0.80就需要支架，大于0.80則不需要。

血流儲備分數從1979年首次提出血管內壓力重要性，到1993年首次提出FFR概念，再到1996年完成第一個人體臨床實驗；之后2009年完成第一個全球大型RCT（隨機對照臨床試驗）研究。任何一個進入國際指南里的技術或臨床路徑都需要RCT的證據。

基于壓力導絲的FFR雖然被指南IA級推薦，但在全球應用率都特別少，尤其在中國使用率還不到1%，主要因為壓力導絲本身存在一些弊端。 例如，壓力導絲FFR是有創檢查，壓力導絲需要穿入冠脈內，有一定的斑塊破裂等風險，在中國花費昂貴，一根壓力導絲就需要1萬塊，再加上檢查費，整個花費大概超過13,000元。對于復雜病變，尤其斑塊復雜的地方，手術也比較復雜，所以在很多基層醫院都很難得到執行。AI賦能心血管精準診斷

那么，AI是否能夠賦能心血管病的診斷精度，或者它臨床應用呢？

博動醫學判斷AI在影像FFR當中起到的作用時，包括CT、冠脈造影、IVUS和OCT等一系列影像方法，AI最主要的作用是輔助更高效且精準地把血管和組織結構分割出來。 例如，在CT上把血管管腔、中膜以及斑塊分割出來。AI在影像FFR中就是提高效率，提高結構分割的準確度，但是我們認為用AI直接計算FFR存在較大問題。 原因在于深度學習算法都需要一個龐大的訓練集，如果訓練集不足夠大，訓練一定是不準確的，全球有影像學（如CTA、OCT、IVUS），同時又有FFR參數的病例。

目前，影像FFR主要分為兩大類，一類是門診、放射科做檢查，基于CTA的叫FFRCT或者CT-QFR。另外一類是介入導管當中，例如基于冠脈造影QFR，腔內影像OFR以及UFR技術。 FFRCT相對于冠脈CTA，其準確度更高，能幫助醫生更準確地篩查冠心病患者，減少一部分不必要的冠脈造影檢查。 基于介入手術當中的技術，包括QFR、OFR還有UFR，這類技術更多在手術過程中輔助完成判斷，進行手術規劃，包括手術精準診斷和手術規劃功能，以及發現罪犯病變、術后冠脈療效評估等功能。實踐三大案例前面提到的三類技術FFRCT、基于造影QFR和基于腔內影像，將分別用案例做一個介紹。

案例1，博動醫學的CT-QFR技術，目前已進入國家藥監局創新醫療器械特別審批程序。

2016年，美國著名心血管期刊——JACC期刊上面發表一篇論文，論證美國HeartFlow公司研發的FFRCT指導冠心病患者診療路徑，從中發現FFRCT篩選以后，61%患者不再需要有創冠脈造影，減少冠脈造影人群數量，同時降低美國醫保支付費用。 從2017年開始，HeartFlow公司FFRCT，在美國很多醫保公司進行支付，平均收費價格僅有2000美元一次。 現在，HeartFlow已經是一家獨角獸公司，2018年估值就已經達到15億美金，就是靠這個產品模式盈利。 博動公司CT-QFR計算原理是什么？ 博動CT-QFR原理，更多通過優化的流體力學方程，就是由博動自主研發的QFR核心算法完成FFR的計算過程。

這種方法在博動醫學冠脈造影FFR（QFR）里已經得到大量驗證，通過冠脈CT把血管冠脈重建出來。

2019年，歐洲EuroPCR大會上，上海交通大學涂圣賢教授（QFR、UFR/OFR、CT-QFR技術發明人）在大會做了關于博動醫學CT-QFR臨床驗證的報道，診斷準確度可以達到87.3%。 這篇文章也發表在心血管著名期刊上--JACC Cardiovascular Imaging，影響因子達到12.74分。

CT-QFR在2019年10月份，也進入國家創新醫療器械特別審批通道。這是博動第二個產品進入創新通道，第一個進入創新通道是QFR產品，已經獲得NMPA三類醫療器械注冊證。

基于冠脈造影QFR技術到底怎么做？案例2，基于造影FFR技術，博動醫學的QFR產品。通過冠脈造影圖像進行三維重建和模擬，最后得到血管每一個點FFR值，通過這個值直接判斷狹窄有沒有導致患者心肌缺血，指導介入治療，并自動提供支架尺寸推薦，告訴醫生在哪些地方放一個什么尺寸的支架。

QFR整個操作流程和原理跟前面CT-QFR有所不同。

首先，數據源是基于冠脈造影數據，然后數據被傳輸到博動醫學QFR系統中，系統放在醫院導管室。 這套系統主要進行幾步分析： 第一，全自動冠脈重建。通過兩個二維造影體位圖像，快速重建獲得冠脈三維結構，三維結構獲取后，TIMI數幀和優化的流體力學方程，通過QFR核心算法將靜息態壓力變化轉化成最大充血態的壓力變化快速計算獲得冠脈FFR。 同時，整個QFR計算不需要獲得靜息態的冠脈或主動脈內壓力，因為研究表明患者從靜息態變化到最大充血狀態的壓力其實沒有規律。在2019年西班牙一位課題組曾發表過一篇重要研究論證過此事，也證明了是否給予主動脈壓，對于QFR的計算準確度沒有影響。 、

例如，靜息態下是這樣一個水平，最大充血下有可能很高，有可能不變，有可能更低，其中沒有規律。 此外，它不需要額外耗材，沒有創傷，不需要注射腺苷或ATP這類血管擴張藥，對于患者沒有不良影響和副作用，費用也得到大幅降低。 基于冠脈造影的QFR檢查術在中國已經有很多省份獲得收費目錄的批復，收費價格大概在3800元每次，比FFR檢查減少了超過70%。2018年國家藥監局創新通道批準，QFR獲得三類醫療器械注冊證。

案例3，基于腔內影像的FFR技術，也叫做OFR或者UFR。上面是一個血管內超聲圖像，紅色圈畫出來的是冠脈的真實管腔，紅色和黃色之間全是斑塊，包括一些小鈣化點、脂質斑塊、纖維斑塊等。 這樣一個血管給到醫生時，醫生需要決策手術應該怎么做？ 以前血管內超聲影像做完以后，醫生靠經驗就可以判斷手術應該怎么執行，如果要測量就非常困難，基本上都是靠手工進行。 現在，用人工智能方法把血管管腔和中膜非常迅速且準確地分割出來。然后加上全球第一個3D-IVUS重建技術，獲得冠脈及其分支、斑塊等信息。 通過這類血管信息，再加上前面提到的博動醫學QFR算法，就可以獲得一個壓力分布，博動醫學UFR就是基于IVUS的FFR計算，UFR就是基于IVUS的OFR計算。

博動研發的基于腔內影像FFR技術，對比原來壓力導絲測量FFR方法，診斷準確度可以達到92%以上，一致性， AUC曲線下面積可以達到0.97。 前面三個例子，分別是CT-QFR技術，基于人工智能的圖像分割，還有后面FFR計算。基于冠脈造影的QFR技術，是通過冠脈造影分析影像學的一個特征，然后獲得它的壓力分布，最后判斷患者心肌缺血程度?，F在，還有基于血管影像血管內超聲和冠脈內OCT成像的UFR和OFR產品，還有腔內影像三維重建技術。心血管影像AI產業化與落地

影像FFR——人工智能技術在信息化領域該怎么落地？ 首先，任何一個AI技術，必須經過大量臨床驗證，完成臨床驗證以后就需要大型RCT研究論證其患者遠期獲益。 我們認為RCT研究是推動影像FFR技術進入指南的必經之路，只有經過大型RCT研究論證的技術才能夠進入指南。 中國非?，F實的情況是，醫療產品既是B to B生意，也是B to G生意，G就是government（政府）。 任何一個新技術到了臨床當中以后，能不能收費將直接影響到臨床的使用與推廣。

目前，QFR已經在全球開展50多項臨床實驗，有三項RCT研究正在開展當中，其中，由中國醫學科學院阜外醫院牽頭的國際上最大的影像FFR的RCT研究—FAVOR III China研究受到了國際專家的廣泛關注。

目前，QFR和它同族的一些其他技術已經在全球20多個國家完成1萬多例臨床驗證和研究，發表50多篇文章，影響因子超過500分。另外，還有三項大的RCT研究正在進行當中。QFR落地之路從產品研發到落地過程非常長。QFR技術研發是從2008年開始，到2018年拿到中國CFDA注冊證總共花了10年時間，研發過程非常困難。 QFR檢查術于2019年開始陸續獲得了多省的收費目錄批復。 RCT研究非常重要，只有做完RCT研究，產品才能進入指南或醫保。博動醫學QFR正在RCT研究當中，將于2021年發布結果。

梳理一下美國HeartFlow公司FFRCT過去幾年研發過程和進入指南里面路徑，推算中國影像FFR技術什么時候、經過什么過程才能夠進入指南里。 FFRCT在2011年獲得歐盟CE，2016年才獲得美國FDA認證，在2019年才完成第一個RCT研究，也就是ADVANCE研究。 在疫情發生之前，QFR已經完成第一個RCT研究（FAVOR III CHINA）發布和患者入組，總共有3830例入組，預計明年TCT大會把結果發布出來，完成RCT研究。

FAVOR III China研究是全球首個大型RCT研究造影FFR技術，由中國醫學科學院阜外醫院牽頭，喬樹賓教授和徐波教授教授作為PI，在全國26家三甲醫院當中進行。 除了前面的FAVOR III China以外，博動醫學在歐洲和日本還有一個FAVOR III Europe-Japan的RCT研究，還有上海瑞金醫院牽頭的FAVOR IV-QVAS研究。 總結下來，博動醫學在全球同步開展了三個非常重要的RCT研究，都是通過RCT方法驗證影像FFR技術的臨床診斷精度，提高患者遠期獲益和衛生經濟學價值，經過這樣的研究，能夠技術走向指南，走向醫保。最后分享博動醫學落地和實踐當中的意義。AI落地從臨床需求提出，到產業創新、臨床應用、物價收費，到最后的醫院采購，企業盈利，最后反哺臨床需求，進行產業創新，非常重要的一環就是物價收費。 一個好產品，如果終端不能進行收費，這項技術就不會得到臨床應用。

最后引用一張國際著名期刊JACC cardiovascular interventions的一個文章。這篇文章由國際著名心血管研究專家Patrick Serruys團隊發表，影像FFR計算在冠心病診斷當中的臨床價值。 文章把產品分為基于CT的FFR和介入導管室的FFR。同時提到博動CT-QFR和博動QFR技術，這也是中國唯一被國際專家認可的影像FFR技術。

最后總結，心血管AI技術在冠心病精準篩查和診治當中潛力巨大?；贏I技術需要大量臨床驗證，能夠證明其診斷準確度。RCT研究隨機對照臨床實驗是影像FFR落地，進入指南必經之路只有經過RCT研究，才能夠證明影像FFR真的能夠指導臨床，讓患者獲益。收費閉環是實現AI企業盈利的重要策略。

原文標題：博動醫學林曉杰 ：心血管AI需要怎樣的全新準則？| 萬字長文

文章出處：【微信公眾號：IoT科技評論】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq