Segmentación automática de placas coronarias en angiografía coronaria por tomografía computarizada mediante redes...

Área de la Ciencia:

• Cardiología
• Radiología
• Inteligencia Artificial

Sus antecedentes:

• La detección precisa de placas coronarias en la angiografía coronaria por tomografía computarizada (CCTA) es vital para el diagnóstico de la enfermedad coronaria (CAD).
• Los métodos actuales enfrentan desafíos con la carga de trabajo del lector y la variabilidad interobservador, lo que limita el diagnóstico oportuno.

Objetivo del estudio:

• Evaluar la efectividad de un modelo de aprendizaje automático (ML) para la segmentación y detección automatizada de placas coronarias en CCTA.
• Evaluar el rendimiento del modelo de ML a nivel de placa, vaso y examen.

Principales métodos:

• Análisis retrospectivo de CCTA de 1.642 pacientes.
• Se utilizó una arquitectura nnU-Net 3D de resolución completa para la segmentación automatizada de placas.
• Se optimizaron los hiperparámetros del modelo y el entrenamiento incluyó validación cruzada de 5 pliegues.

Principales resultados:

• El modelo de ML logró una sensibilidad del 84,8% y una precisión del 82,3% a nivel de placa (puntuación Dice mediana: 0,88).
• El rendimiento a nivel de vaso incluyó una sensibilidad del 94,7% y una especificidad del 84,9%.
• La sensibilidad a nivel de examen alcanzó el 97,4%, con una especificidad del 79,7%, lo que demuestra un fuerte potencial para descartar la CAD significativa.

Conclusiones:

• El modelo de ML muestra resultados prometedores para la detección de placas coronarias en CCTA, especialmente las medianas a grandes.
• El modelo ofrece un alto valor predictivo negativo, lo que podría optimizar los flujos de trabajo de radiología.
• La investigación futura abordará los desafíos en la detección de placas pequeñas y la mejora de la robustez a los artefactos.