基于深度学习的直接生存预测从干预前CT到跨导管大动脉更换之前的干预前CT

科学领域:

• 医学成像分析 医学成像分析
• 人工智能在医学中的应用
• 心血管外科心血管外科

背景情况:

• 准确的生存预测对于优化治疗策略至关重要 在接受过导管大动脉置换 (TAVR) 的患者中.
• 传统的风险评估通常依赖于从CT图像的身体成分分析中得出的标量标记.
• 在这种情况下,深度学习 (DL) 对直接基于图像的特征提取的潜力仍然未被充分探索.

研究的目的:

• 评估深度学习 (DL) 方法的有效性,用于直接预测TAVR患者使用预干预CT图像的生存率.
• 将DL模型的性能与基于CT衍生体质成分标记的传统生存模型进行比较.
• 评估DL和传统模型的联合性能,以提高风险分层.

主要方法:

• 对760名TAVR患者进行了回顾性研究.
• 使用人口统计数据和身体组成标记 (脂肪肌肉分数,骨肌肉辐射密度,骨肌肉区域) 训练了基线的Cox比例危险模型 (CPHM).
• 一个卷积神经网络 (CNN) 编码器使用自动编码器进行了预先训练,用于直接基于图像的生存预测,使用C指数和AUC评估1年和2年生存的性能.

主要成果:

• 与基线CPHM (C-index=0.608,1Y-AUC=0.606,2Y-AUC=0.594) 相比,DL模型预训练时专注于副脊柱肌肉,其表现优异 (C-index=0.645,1Y-AUC=0.687,2Y-AUC=0.692),比起基线CPHM (C-index=0.608,1Y-AUC=0.606,2Y-AUC=0.594) 的表现更好.
• 将DL与CPHM结合起来,进一步提高了预测准确度 (C指数=0.668,1Y-AUC=0.713,2Y-AUC=0.696).
• 这些发现突显了直接图像分析相对于传统标量标记器的优势.

结论:

• 来自CT图像的基于深度学习的直接生存预测显示了改善TAVR患者风险评估的巨大潜力.
• 与传统基于细分的标量体构成标记器相比,这种方法提供了增强的图像特征提取.
• DL模型是完善心血管干预预后果准确性的有希望的工具.