通过人工智能支持的定量计算机断层扫描来确定富含脂质的斑块,使用近红外光谱作为参考

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 动脉样硬化研究 动脉样硬化研究

背景情况:

• 冠状动脉斑块的表征对于评估心血管风险至关重要.
• 富含脂质的非化斑块 (LD-NCP) 是一种高风险的斑块形态.
• 对LD-NCP的AI-定量CT (AI-QCT) 的诊断性能需要进一步调查.

研究的目的:

• 评估AI-QCT在检测LD-NCP中的准确性.
• 将AI-QCT斑块量化与近红外光谱-血管内超声波 (NIRS-IVUS) 参考标准进行比较.
• 评估AI-QCT和IVUS之间血管和光层尺寸,斑块负担和病变长度的相关性.

主要方法:

• 利用了INVICTUS注册表的数据,包括接受冠状动脉CT血管造影和NIRS-IVUS.IVUS的患者.
• 评估了AI-QCT用于LD-NCP检测的性能,使用各种Hounsfield单位 (HU) 和体积值.
• 已确定的maxLCBI_4mm ≥400作为LD-NCP和与IVUS数据相关的AI-QCT测量的参考标准.

主要成果:

• 对于LD-NCP_<30HU,AI-QCT实现了0.97的曲线下的面积,其最佳体积值为2.30mm³.
• 使用最佳值,对LD-NCP检测的诊断准确度,灵敏度和特异性分别为94%,93%和94%.
• 在血管面积 (r²=0.87),光膜面积 (r²=0.87),斑块负担 (r²=0.78),以及病变长度 (r²=0.88) 方面,AI-QCT与IVUS有很强的相关性.

结论:

• AI-QCT在检测显著的LD-NCP方面表现出卓越的诊断性能.
• 血管面积,光面积,斑块负担和病变长度的AI-QCT测量与IVUS发现有很强的相关性.
• AI-QCT是冠状动脉斑块表征和风险评估的可靠工具.