机器学习在CT血管图像上检测到患有动脉样硬化症的患者的症状斑块
Francesco Pisu1, Brady J Williamson2, Valentina Nardi3
1Department of Radiology, Azienda Ospedaliero-Universitaria, Monserrato (Cagliari), Italy (F.P., M.P., R.C., A.B., L.S.).
一个新的机器学习模型使用计算机断层扫描血管学数据准确地检测出症状性动脉斑. 这个工具分析了斑块组成和狭窄,以改善动脉样硬化患者的临床决策.
科学领域:
- 血管医学 血管医学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- Carotid 动脉样硬化对脑血管事件构成重大风险.
- 识别症状性动脉斑块对于及时干预至关重要.
- 目前用于斑块表征的方法有局限性.
研究的目的:
- 开发和验证一种机器学习模型,用于检测有症状的动脉斑块.
- 为了利用计算机断层扫描血管造影 (CTA) 来得出斑块组成和狭窄度.
- 为了提高诊断准确度超越传统方法.
主要方法:
- 在CTA数据上训练了一种机器学习模型,包括斑块子组件 (脂质,斑块内出血,) 和狭窄度.
- 内部验证使用10倍交叉验证进行.
- 该模型在一个由106名患者组成的专用队列上进行了测试.
主要成果:
- 机器学习模型在测试队列中实现了0.89的接收机下面区域运行特征曲线,显著超过传统分析.
- 症状斑块的关键预测指标包括斑块内出血与脂质体积的比率 (≥50%) 和斑块内出血体积的百分比 (≥10%).
- 该模型表现出高度的区分和校准,在内部验证上表现相似.
结论:
- 一个可解释的机器学习模型有效地使用CTA衍生特征识别症状性动脉斑块.
- 该模型有助于对患有动脉样硬化症的患者进行临床决策.
- 斑块组成,特别是斑块内出血,是斑块症状的重要指标.
更多相关视频
08:13Microwave-driven Synthesis of Iron Oxide Nanoparticles for Fast Detection of Atherosclerosis
Published on: March 22, 2016
13:45A Method to Study the Correlation Between Local Collagen Structure and Mechanical Properties of Atherosclerotic Plaque Fibrous Tissue
Published on: November 11, 2022
相关概念视频
Imaging Studies for Cardiovascular System V: CT
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Acute Coronary Syndrome III: Diagnostic Studies
Atherosclerosis I: Introduction
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Aneurysm II: Clinical Manifestations and Diagnostic Studies
