对加拿大队列中的心血管疾病风险分层和生存分析的深度学习方法

科学领域:

• 心血管成像和诊断系统
• 人工智能在医学中的应用
• 对心血管疾病的预测分析.

背景情况:

• 耳斑量化是评估心血管疾病 (CVD) 和冠状动脉疾病 (CAD) 风险的标准方法.
• 现有的风险预测方法存在局限性,这促使人们探索先进的分析技术.

研究的目的:

• 评估深度学习 (DL) 模型在预测CAD概率和心血管 (CV) 事件中的有效性.
• 将DL模型的性能与风险分层的传统机器学习 (ML) 方法进行比较.
• 为了确定特定的带斑块特征,这些特征是CV事件的显著预测因素.

主要方法:

• 利用了459名接受冠状动脉血管造影和大脑动脉超声波的患者的数据,测量了最大斑块高度 (MPH),总斑块面积 (TPA),大脑动脉内膜介质厚度 (cIMT) 和内膜新血管化 (IPN).
• 应用了八个基于DL的模型用于CAD风险和CV事件分层.
• 进行单变量和多变量分析以确定关键风险预测因素.
• 使用曲线下的面积评估了DL模型的有效性,并将CV事件预测与Cox比例危险模型 (CPHM) 和基于DL的一致性指数 (c-index) 进行了比较.

主要成果:

• 内板内新血管化 (IPN) 显示出对心血管事件的显著预测能力 (p < 0.0001).
• 性能最好的DL系统比最好的ML系统 (0.929对0.762) 有21%的改进.
• 基于DL的CV事件预测与CPHM (0.86对0.73) 相比,实现了~17%更高的c指数.
• 动脉成像特征,特别是IPN,与CAD和CV事件有很强的关联.

结论:

• 基于深度学习的系统在预测CAD和CV事件方面明显优于基于ML的模型.
• DL模型提供了一种优越的方法,用于使用动脉成像数据进行生存分析和CAD风险预测.
• IPN是预测心血管风险的关键成像生物标志物.