Real-World Implementation of Artificial Intelligence: Fully Automated Coronary Artery Calcium Scoring.

人工智慧導入冠狀動脈鈣化分析後，電腦斷層上傳伺服器 10 分鐘內就能在影像系統生成自動化分數，大幅取代原本耗時的半自動圈選；但遇到左迴旋支嚴重擴張合併血栓時，系統仍可能將病灶誤認為左前降支，甚至漏判真實的鈣化。

放射科日常心臟 CT 鈣化評分的作業瓶頸

在現代預防心臟病學中，非顯影心電圖閘門控制電腦斷層（ECG-gated non-contrast cardiac CT）衍生的冠狀動脈鈣化分數（Agatston score，一種基於病灶面積與最高衰減值的標準化分數）是極具權威性的心血管風險分層工具。這個分數不僅能提供超越傳統危險因子的額外預後價值，更廣泛應用於中度風險患者的風險重新評估。然而，將這套標準落實到每日高通量的常規檢查時，放射科常面臨顯著的工作流程延遲。過去，計算這項分數高度依賴人工操作，即使市面上已存在各種半自動化軟體，操作者依然需要手動放置感興趣區域並對主要冠狀動脈血管進行逐一標記。在一家每月執行約 170 例心臟 CT 的韓國三級區域心血管中心裡，這些初步分析傳統上交由放射師處理。這種作業模式不僅極度耗時、容易產生操作者間的變異，當遇到複雜解剖構造或是極端鈣化案例時，往往還需要放射科醫師親自介入重新分析，進而打斷既定的閱片節奏。在這家醫療機構中，心臟掃描是在來自多個不同硬體廠商的電腦斷層平台上執行。這種異質性的影像環境正是常規臨床場域的縮影，不同的機型伴隨著不同的雜訊特性與切面厚度，這無形中也加重了人工判讀時的校準難度。

導入 AVIEW CAC 的自動化流程與 Figure 1 展現

為了解決上述作業遲滯的問題，研究團隊自 2025 年 4 月起，將一套系統 AVIEW CAC version 1.1 部署至所有常規心臟 CT 檢查流程中。這套系統摒棄了單純依賴影像特徵的舊有方法，轉而結合 atlas-guided approach（先比對標準人體解剖圖譜來定位心臟與大血管區域）與 deep learning-based semantic segmentation（用神經網路把影像中每個像素都自動貼上對應的器官與組織標籤）。透過這種混合式架構，演算法能在具有解剖學約束的前提下，識別出冠狀動脈內的鈣化。當軟體部署於院內伺服器後，它會自動攔截符合特定掃描參數的無顯影劑影像，在背景啟動運算引擎。從操作面的具體數據來看，這套系統上線後，能夠在原始檔案上傳後的 10 分鐘內，全自動生成完整的分析報告。如論文中 Figure 1 所示，系統產出的結果會直接回傳至工作站的 PACS 介面上，與原始影像並排顯示。這份電腦生成的報告不僅標示出總分數，還提供了個別血管的 Agatston 分數、體積、質量，以及依據病患年齡與性別校正後的危險分級百分位數（例如顯示為 50th–75th 區間）。在影像疊加上，系統會將偵測到的左前降支（LAD）鈣化以紫色圖層精準覆蓋，讓閱片醫師能在一瞥之間掌握病灶分佈。

關鍵臨床閾值的高一致性與風險分層

在評估這套軟體的實戰表現時，醫療團隊針對其給出的連續性數值與分類等級進行了回溯性檢核。從總體表現來看，人工智慧評分與手動參考標準之間呈現高度吻合，尤其在臨床上最常被用作決策分水嶺的幾個關鍵數值上更是如此。具體而言，在 Agatston 分數等於 0 或是大於等於 100 這兩個極端重要的門檻，電腦與人工的判斷結果幾無二致。這些閾值之所以具有決定性，是因為現行心臟病學指引往往強烈依賴它們來決定患者是否需要立即啟動他汀類（statin）藥物治療，或是可以安全地延後給藥。這意味著在絕大多數的常規篩檢案例中，演算法給出的總結性危險分級已具備極高的參考價值。不過，冠狀動脈鈣化的評估並不僅止於一個總分；近年來越來越多臨床證據顯示，特定血管分支上的鈣化負擔分布情況，能提供更細緻的局部血流阻力與後續心血管事件預測。因此，儘管整體總分相當可靠，軟體在分辨個別血管領域的表現，反而成為其是否能完美融入進階預防醫學的指標。

系統干擾源探討與非冠狀動脈鈣化的挑戰

儘管神經網路在識別高對比度病灶上具有先天優勢，但胸腔內各種相似密度的結構依然會對模型造成干擾。在導入這套流程的初期，團隊發現偽陽性與偽陰性的檢測結果並未完全消失，而這些失誤多半與特定的生理或技術因素有關。最常見的干擾源來自非冠狀動脈鈣化，例如主動脈瓣膜鈣化、二尖瓣環鈣化或是心包膜鈣化。當這些結構距離冠狀動脈開口極近時，模型可能會將其誤認為冠狀動脈系統的一部分，進而推高整體的 Agatston 分數。另一方面，心臟跳動造成的移動假影也經常使鈣化斑塊的邊緣變得模糊，導致演算法在計算面積或最高衰減值時產生偏差。此外，當病患本身的鈣化負擔極度龐大，使得多條血管的鈣化軌跡交織在一起時，系統在區分各自所屬的分支時便顯得吃力。這些干擾源的存在一再提醒臨床端，即使是採用了最新一代的語義分割技術，影像的物理限制與人體解剖的多樣性，仍舊是自動化判讀必須克服的難題。

Figure 2 呈現的解剖變異與錯誤分類陷阱

一旦深入檢視血管層級的分類結果，模型在面對非典型解剖構造時的脆弱性便表露無遺。團隊在實際運用中發現，系統偶爾會在左主幹與左前降支交界處發生標籤錯位，將本該屬於主幹的病灶劃分給了遠端。更極端的假陰性與假陽性案例則被記錄在論文的 Figure 2 中。該例是一位同時患有冠狀動脈嚴重擴張（ectasia）與管腔內血栓的病患。當面對左迴旋支內多發性的點狀鈣化時，軟體出現了雙重失誤：首先，它將部分發生在迴旋支的病灶錯誤分類為左前降支，並在畫面上亮起代表 LAD 的紫色標記；其次，影像上仍有其他明顯大於 130 HU 的高衰減像素群，系統卻判定其不屬於冠狀動脈，僅留下粉紅色的系統註記，未將其計入最終的分數中。後續對比同一位病患的顯影劑增強電腦斷層才證實，這些被忽略的亮點確實是包埋在管壁巨大血栓內的真實鈣化。這類解剖變異凸顯了演算法在面對血管擴張與血栓填塞時，無法像人類醫師那樣綜合判斷病灶的前後脈絡。

PACS 整合度與放射科醫師的最終監督責任

把目光放回整體科室營運，單純追求神經網路在封閉測試集裡的高準確率，並不足以構成成功的臨床流程升級。作者坦承，剛導入的陣痛期也曾遭遇資料傳輸延遲與報告上傳失敗等基礎建設問題。唯有確保與 PACS 的深度無縫整合，讓輸出的疊加影像和數據表格能順暢地呈現在日常閱片介面中，工作效率的提升才具備實質意義。面對演算法難以克服的複雜解剖變異與血栓遮蔽問題，放射科醫師的角色並未被取代，而是發生了責任模式的轉換。軟體雖然能處理掉絕大多數標準病患的瑣碎測量與常規報告撰寫，但對於極端病灶的個案，醫師必須保持高度警覺。這強烈要求醫院在建置這類系統時，必須開放透明且可編輯的介面，讓主治醫師在發現分枝判定錯誤或漏標時，能直接在工作站上手動修正與重算。這套自動化工具極大地緩解了高通量篩檢環境的壓力，但報告正確性的把關責任，依舊落在每一位簽核醫師的肩上。

若系統判定 Agatston 為 0 或大於 100 且血管走勢正常，可安心放行報告；但遇到管壁擴張或大量跳動偽影時，務必親自重看左迴旋支與左主幹邊界，手動修正錯誤標籤。