主要血管的基于人工智能的定量冠状动脉造影使用深度学习

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 定量冠状动脉血管学 (QCA) 提供客观的冠状动脉损伤评估,但受到观察者变化和时间限制的影响.
• 由于这些局限性,当前的临床实践面临现场QCA的挑战.

研究的目的:

• 开发和评估一种基于人工智能的新型定量冠状动脉血管学 (AI-QCA) 方法,用于分析主要冠状动脉血管.
• 评估AI-QCA与手动QCA相比的性能.

主要方法:

• AI-QCA是使用在7658张血管图像上训练的深度学习模型来开发的,用于光线边界划分.
• 一种自动化量化方法与精细匹配和代更新被集成到AI-QCA.
• 一项回顾性分析将AI-QCA与676张冠状动脉血管图像的手动QCA进行了比较,评估了直径狭窄 (DS),最小流明直径 (MLD),参考流明直径 (RLD) 和损伤长度 (LL).

主要成果:

• AI-QCA在病变检测中表现出89%的灵敏度,与DS,MLD,RLD和LL的手动QCA有很强的相关性.
• 80%的匹配病变 (892/995) 与手动QCA相比显示了≤10%的DS差异.
• 通过AI-QCA准确地识别和定量分析了多个冠状动脉病变,而无需人工干预.

结论:

• AI-QCA显示出作为冠状动脉血管学分析的自动化工具的巨大潜力.
• 这种人工智能驱动的方法可以提高冠状动脉病变的定量评估,并支持临床决策.