使用深度学习和多器官细分的电心图-门式心脏计算机断层扫描完全自动化Agatston分数计算:一个验证研究
Ashish Gautam1, Prashant Raghav1, Vijay Subramaniam2
1KardioLabs AI, Jacksonville, FL, USA.
Angiology
|January 3, 2024
概括
深度学习在心脏CT扫描上准确量化冠状动脉,与手工方法相对应. 这种自动化方法可以提高效率和风险分层,而无需额外的资源.
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
- 医学图像分析 医学图像分析
背景情况:
- 冠状动脉 (CAC) 评分对于心血管风险评估至关重要.
- 在心电图启动的心脏CT上手动CAC量化是耗时且资源密集的.
- 深度学习为自动化和高效的CAC分析提供了潜力.
研究的目的:
- 评估深度学习模型的性能,用于自动化CAC细分和量化.
- 将深度学习方法与使用专有软件的手动评估进行比较.
- 评估自动化CAC评分对风险分层的临床实用性.
主要方法:
- 从150名患者 (40名培训,110名验证) 的心电图心脏CT扫描进行了回顾性分析.
- 基于Mask R-CNN的卷积神经网络 (CNN) 用于自动CAC细分和量化.
- 手动CAC评估使用专用专有软件作为参考标准进行.
主要成果:
- 自动化和手动CAC分数之间的高相关性 (皮尔森r=0.84,P<.001) 和良好的一致性 (布兰德-阿尔特曼分析).
- 深度学习模型实现了90%的灵敏度和94%的特异性,用于检测冠状动脉化.
- 自动评分对75.2%的受试者进行了正确的风险分类,81%的受试者属于相同或相邻的风险类别.
结论:
- 基于深度学习的自动化CAC量化显示了高准确性和与手动评估的强烈相关性.
- 自动化方法显著减少了评估时间,并优化了临床评分.
- 这种人工智能驱动的方法提供了一个有前途的工具,可以在没有额外的临床资源的情况下有效评估心血管风险.
