由人工智能衍生出的心上脂肪测量可以从心肌输液成像改善心血管风险预测
Robert J H Miller1,2, Aakash Shanbhag1,3, Aditya Killekar1
1Departments of Medicine (Division of Artificial Intelligence in Medicine), Imaging and Biomedical Sciences Cedars-Sinai Medical Center, Los Angeles, CA, USA.
NPJ digital medicine
|February 3, 2024
概括
自动化的深度学习可以在几秒钟内准确地测量心上脂肪组织 (EAT) 的体积和CT扫描中的衰减. 这些快速的EAT测量可以预测心血管事件,如死亡或心肌梗塞 (MI).
科学领域:
- 心脏病学 心脏病学
- 放射学 放射学是指放射学
- 人工智能的人工智能
背景情况:
- 心脂肪组织 (EAT) 的体积和衰减与心血管风险有关.
- 从CT扫描中手动注释EAT是劳动密集型和耗时的.
- 需要自动化方法来进行高效和可扩展的EAT评估.
研究的目的:
- 为了评估基于深度学习的自动化EAT测量,从无线CT.
- 确定这些自动EAT测量是否与死亡或心肌梗塞 (MI) 有关.
- 为了比较深度学习的速度和准确性,EAT细分与专家注释.
主要方法:
- 一个深度学习模型被修改为自动细分EAT从无线CT扫描.
- 该模型确定了心脏轮,并应用了EAT细分的衰减值.
- 模型的性能使用来自多个站点的8781名患者的专家注释来验证.
主要成果:
- 深度学习EAT测量在不到2秒内获得,而手动注释则需要15分钟.
- 在深度学习和专家EAT体积和衰减测量之间观察到出色的一致性 (斯皮尔曼相关性0.82-0.98).
- 在随访期间,增加的EAT体积和减弱独立地与死亡或心脏病发作风险增加有关.
结论:
- 深度学习可以快速自动测量CT的EAT体积和衰减.
- 自动EAT测量与专家评估相对应,并提供预测价值.
- 这种方法在混合心肌 perfusion 成像工作流程中提供了有价值的预后见解.
