机器学习用于从骨密度机器衍生的侧脊图像评估腹腔大动脉化
Naeha Sharif1, Syed Zulqarnain Gilani2, David Suter2
1Nutrition & Health Innovation Research Institute, Edith Cowan University, Perth, Australia; Centre for AI&ML, School of Science, Edith Cowan University, Perth, Australia; Department of Computer Science and Software Engineering, The University of Western Australia, Perth, Australia.
一个新的AI工具从脊柱图像中准确地得分腹腔大动脉化 (AAC),预测心血管疾病风险. 这种自动化方法可以更好地识别具有重大心血管不良事件 (MACE) 高风险的个体.
科学领域:
- 心血管疾病研究研究
- 医疗成像中的人工智能
- 骨质疏松症查 骨质疏松症查
背景情况:
- 来自骨密度机器的侧脊图像可以揭示腹腔大动脉化 (AAC).
- 专家的AAC评分评估心血管疾病 (CVD) 风险,但耗时且需要广泛的培训.
- 自动化AAC评分可以简化心血管疾病风险评估.
研究的目的:
- 开发和验证用于自动化AAC-24评分的卷积神经网络 (CNN) 算法.
- 评估机器学习AAC (ML-AAC-24) 评分与未来重大心血管不良事件 (MACE) 之间的关联.
主要方法:
- 一个CNN算法被训练并测试了5012个侧脊图像与专家AAC分数.
- 模型的性能在一个由8565名老年人组成的队列中得到验证.
- 考克斯的比例危险模型分析了ML-AAC-24分数与MACE (死亡,心脏病发作,中风) 之间的联系.
主要成果:
- 与专家相比,ML-AAC-24得分显示出强烈的一致性 (ICC=0.84) 和80%的分类准确性.
- 较高的ML-AAC-24分数与MACE发生率增加相关 (低7.9%,中等14.5%,高21.2%).
- 在调整后,中等和高的ML-AAC-24得分显著预测了MACE (HR分别为1.54和2.06).
结论:
- 自动化ML-AAC-24评分显示了与专家评估的高度一致.
- ML-AAC-24评分有效预测现实世界人口中的心血管事件风险.
- 这种由人工智能驱动的方法提供了一个可扩展的解决方案,用于使用现有的成像数据识别高心血管疾病风险的个体.
更多相关视频
09:02Cortical Bone Assessment Using Ultrasonic Guided Waves: A Reproducibility Study in a Healthy Population
Published on: January 31, 2025
07:12Semiautomated Longitudinal Microcomputed Tomography-based Quantitative Structural Analysis of a Nude Rat Osteoporosis-related Vertebral Fracture Model
Published on: September 28, 2017
