可解释的基于深度学习的缺血检测使用混合O-15H₂O perfusion正子发射断层扫描和计算机断层扫描成像与临床数据

科学领域:

• 心血管成像分析分析
• 医学中的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 流量限制性冠状动脉疾病 (CAD) 诊断依赖于复杂的成像和临床数据.
• 当前的诊断方法可能是劳动密集型的,需要专家解释.
• 需要准确,高效和可解释的CAD检测工具.

研究的目的:

• 开发和评估一个可解释的深度学习 (DL) 分类器来识别流量限制的CAD.
• 为了整合O-15 H2O perfusion正子发射断层扫描计算机断层扫描 (PET/CT) 和冠状动脉CT血管扫描 (CTA) 的成像数据.
• 为了评估DL分类器对侵袭性冠状动脉血管学的性能.

主要方法:

• 一个基于图像和数据的DL模型使用了来自138个人的35个临床,CTA和PET变量.
• DL模型使用了极地图图像和数值数据,并结合了可解释性特征.
• 性能指标包括精度,AUC,F1得分,灵敏度,特异性,精度,净效益和科恩的卡帕,与侵入性冠状动脉血管学相比.

主要成果:

• DL模型实现了0.8478的中位精度和0.8481.1的AUC.
• 关键性能指标 (ACC,AUC,F1S,SEN,SPE,PRE) 显示出强大的诊断能力.
• DL模型显示了与临床读数相比的性能,没有统计学上显著的差异.

结论:

• 开发的可解释DL模型是检测CAD的可行和有效工具.
• 该模型成功地整合了多模式成像和临床数据,以提高诊断准确度.
• 由于DL模型的可解释性,可以以可解释的方式突出显示重要的数据发现.