基于深度学习的表心脂肪组织质量预测,在经历压力CMR的患者中预测MACE

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:

• 心脂肪组织 (EAT) 体积越来越被认为是一种潜在的心血管风险标志物.
• 压力心磁共振成像 (CMR) 是冠状动脉疾病的关键诊断工具.
• 与应激CMR相结合的EAT体积的预后值需要进一步调查.

研究的目的:

• 评估EAT体积的增量预后值,用于预测经历压力CMR的患者的主要心血管不良事件 (MACE).
• 开发和验证一个深度学习算法,用于自动化EAT体积量化.
• 为了确定EAT的数量是否改善了基于标准CMR参数的风险预测模型.

主要方法:

• 开发了一个深度学习算法来从压力CMR图像中量化EAT体积.
• 730名患者被分为衍生和验证队列.
• 考克斯回归分析和风险重新分类方法用于评估MACE预测.

主要成果:

• EAT体积指数,以及左心室喷射率,压力 perfusion 缺陷和晚期 gadolinium 增强,独立预测了 MACE.
• 将EAT体积指数添加到综合风险评分中显著改善了MACE预测 (净重新分类改善:0.683,p<0.001).
• 组合模型显示出优异的预测准确性 (哈雷尔C统计:0.85) 与风险得分单独 (0.76) 或EAT体积指数单独 (0.74) 相比.

结论:

• 使用压力中深度学习的自动EAT体积测量CMR提供了有价值的预后信息.
• EAT体积提高了MACE的预测能力,超出了既定的临床和成像参数.
• 这种方法可以改进评估有压力CMR的患者的风险分层.