对心表脂肪组织进行深度学习分析,以预测重度吸烟者心血管风险
Borek Foldyna1, Ibrahim Hadzic2,3,4, Roman Zeleznik2,3
1Cardiovascular Imaging Research Center (CIRC), Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA. bfoldyna@mgh.harvard.edu.
Communications medicine
|March 14, 2024
概括
在肺癌查CT扫描上对心表脂肪组织 (EAT) 的深度学习分析预测了重度吸烟者的死亡率. 自动化EAT量化为这一高风险群体提供了有价值的心血管风险分层.
科学领域:
- 心脏病学 心脏病学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 沉重的吸烟者面临心血管疾病 (CVD) 的风险增加.
- 肺癌查CT扫描为心血管疾病风险评估提供了机会.
- 心脂肪组织 (EAT) 与心血管结果有关.
研究的目的:
- 评估基于深度学习的自动化EAT定量化的预后价值.
- 将EAT指标与传统的心血管风险因素和冠状动脉 (CAC) 进行比较.
- 评估EAT在严重吸烟者的风险分层中的实用性.
主要方法:
- 利用了国家肺部查试验中24,090名重度吸烟者的数据.
- 在低剂量胸部CT扫描上应用了深度学习算法来自动细分和量化EAT.
- 进行了多变量生存回归以分析EAT体积/密度和死亡率之间的关联.
主要成果:
- EAT体积和密度独立地与所有原因的死亡率相关 (aHRs为1.10和1.38,P<0.001).
- EAT体积和密度独立地与心血管死亡率相关 (aHRs为1.14和1.78,P<0.001).
- 在调整人口统计,临床因素和CAC分数后,这些关联仍然显著.
结论:
- 来自肺癌查CT的自动EAT评估为重度吸烟者提供了预后信息.
- 这种方法在高风险人群中增强了心血管风险分层.
- 基于深度学习的EAT分析是识别心血管疾病风险增加的个体的一个有希望的工具.
