用人工智能深度学习模型对X射线冠状动脉造影的细分:对冠状动脉狭窄严重性的操作员视觉评估的影响

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 视觉评估百分比直径狭窄 (%DS_VE) 对于冠状动脉血管学 (CAG) 的解释至关重要.
• 已经开发了一个人工智能 (AI) 模型,用于准确的CAG细分.
• 这项研究比较了来自血管学和人工智能细分图像的操作%DS_VE.

研究的目的:

• 为了比较传统血管造影和人工智能细分图像之间的视觉狭窄评估的准确性.
• 评估人工智能细分对狭窄评估中运营商间变异性的影响.
• 为了确定AI细分是否可以减少对狭窄的高估.

主要方法:

• 定量冠状动脉分析 (%DS_QCA) 作为参考标准.
• 操作人员在单独的会议中从血管图像和AI细分图像中估计了%DS_VE.
• 使用%DS_QCA作为基准,统计分析了差异.

主要成果:

• 与血管造影相比,AI细分显示了与血管造影相比%DS_VE的差异明显较小 (59%±20%对比77%±20%).
• 狭窄的高估值特别在血管学中发现,病变的%DS_QCA在50%-70%之间.
• %DS_QCA和%DS_VE之间的协议在AI细分方面大约翻了一番 (60.4%对30.1%).

结论:

• 基于AI的细分显著减少了与传统血管学相比,视觉狭窄评估的差异.
• 血管造影通常高估了小于70%的病变狭窄,可能导致不必要的干预.
• 人工智能细分提供了一个有前途的工具,可以提高狭窄症评估的准确性,并减少不必要的重血管化程序.