基于深度学习的预测,使用冠状动脉CT血管学,在慢性全闭症中进行皮肤再通道化
Zhen Zhou1, Yifeng Gao1, Weiwei Zhang1
1From the Department of Radiology, Beijing Anzhen Hospital, Capital Medical University, No. 2 Anzhen Rd, Chaoyang District, Beijing 100029, China (Z.Z., Y.G., N.Z., H.W., R.W., L.X.); School of Biomedical Engineering, Sun Yat-Sen University, Guangzhou, China (W.Z., Z.G., H.Z.); Keya Medical Company, Shenzhen, China (X.H.); Department of Cardiology, Chinese PLA General Hospital, Beijing, China (S.Z.); Department of Radiology, The First Hospital of China Medical University, Shenyang, China (X.D.); Cardiovascular Research Centre, Royal Brompton Hospital, London, UK (G.Y.); National Heart and Lung Institute, Imperial College London, London, UK (G.Y.); and Department of Cardiovascular Medicine, Stanford University School of Medicine, Stanford, Calif (K.N.).
一个深度学习模型准确地预测慢性全闭性病变的皮肤冠状动脉干预成功,提高了手工得分的效率和准确性. 这种人工智能工具增强了导线交叉预测,以获得更好的患者结果.
科学领域:
- 心血管成像和干预心血管成像和干预
- 人工智能在医学中的应用
- 干预心脏病学 干预心脏病学
背景情况:
- 冠状动脉CT血管图 (CCTA) 有助于规划慢性全封闭性 (CTO) 病变的穿皮冠状动脉干预 (PCI).
- 在CTO中PCI成功的手动预测得分具有局限性,需要更有效的方法.
- 深度学习 (DL) 显示了提高CTO中PCI成功预测的前景.
研究的目的:
- 开发和评估一个DL模型来预测导线穿越和PCI在CTO病变中的成功.
- 使用CCTA数据,将DL模型的性能与现有的手动预测得分进行比较.
主要方法:
- 使用来自534名患有CTO病变的参与者的前性CCTA数据 (培训组) 开发了一个DL模型.
- 该DL模型在来自三个三级医院 (186名参与者) 的外部测试组上得到了验证.
- 通过将导线穿越 (30分钟内) 和PCI成功的DL预测与手动得分进行比较来评估性能.
主要成果:
- 与手动评分相比,DL模型显著减少了重建和分析时间 (85%的时间节省).
- 与手动评分相比,DL模型在预测导线交叉 (91.0%) 和PCI成功 (93.7%) 的准确性更高.
- 在外置测试组中,DL模型实现了高诊断性能,接收器操作特征曲线下的面积为0.96.
结论:
- 开发的DL模型准确地预测了CTO病变的皮肤再通道化结果.
- DL模型提高了对CTO的PCI难度的非侵入性分级的效率.
- 这种人工智能驱动的方法为CTO PCI规划提供了一个更准确,更有效的替代方案,而不是手动评分.
相关概念视频
Imaging Studies for Cardiovascular System V: CT
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT


