深層学習を用いたエンボリック脳梗塞の患者の動脈硬化性大動脈プラークの自動定量分析

科学分野:

• 心血管イメージング
• 医療における人工知能
• 脳卒中の研究

背景:

• トランスエゾファゲアルエコーカルディオグラフィ (TEE) は,原因不明の栓塞性脳卒中 (ESUS) の評価に不可欠です.
• 心血管疾患を予測するには,大動脈斑の特性を正確に評価することが不可欠です.

研究 の 目的:

• TEE画像を用いたU-netベースの自動プラークセグメンテーションモデルを開発し,検証する.
• ESUS患者の大動脈プラーク面積 (APA) と大動脈プラーク比率 (APR) を推定するモデルの臨床的有用性を評価する.
• ESUS患者の主要な心血管および脳血管疾患を予測できるかどうかを判断する.

主な方法:

• 711人の患者のTEE大動脈画像でU-netモデルを訓練し,プラークのセグメンテーションを行いました.
• モデルでは,大動脈のプラーク面積 (APA) と大動脈のプラーク比率 (APR) を推定した.
• モデル性能は,交差点対結合 (IoU) を用いて評価され,別のESUSコホートで心血管疾患の予測をテストした.

主要な成果:

• U-netモデルは,開発データセットと臨床データセットの両方の平均IOUが0.997で高い精度を達成しました.
• 複合性および単純な大動脈板 (p < 0. 001) を効果的に区別した.
• U- netモデルによって推定されたAPAとAPRは,ESUS患者における主要な心血管および脳血管疾患の予知値を提供しなかった.

結論:

• TEE画像から複雑な大動脈のプラークを予測するためにU-netモデルは有望です.
• ESUSでの予後予測を改善するために,形状や移動性などのプラーク特性のさらなるAI駆動分析が必要です.
• 現在の自動プラーク測定だけでは,ESUSにおける心血管疾患を予測するには不十分です.