通过使用人工智能的冠状动脉CT血管造影进行侵袭性分量流量储量预测,与中级狭窄症中计算流体动力学软件相比

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:

• 冠状动脉计算机断层扫描血管学 (CCTA) 与非侵入性分流储备 (FFR) 评估病变特异性缺血.
• 目前的指导方针建议CCTA-FFR用于稳定的胸痛患者中级狭窄症.
• 侵袭性FFR仍然是评估缺血的参考标准.

研究的目的:

• 将基于CCTA的新型人工智能深度学习模型用于FFR预测 (FFR_AI) 与CT衍生的计算流体动力学FFR (FFR_CT) 进行比较.
• 评估FFR_AI和FFR_CT在识别中等等级冠状动脉狭窄症时的诊断性能,使用侵入性FFR作为参考标准.

主要方法:

• 一项回顾性概念验证研究包括37名39名中度狭窄症患者.
• 该FFR_AI模型是使用500艘船只的CCTA图像进行训练的.
• FFR_AI和FFR_CT在敏感度,特异性,PPV,NPV和诊断准确性方面进行了比较,预测FFR ≤0.80.

主要成果:

• 在FFR_AI中,预测FFR≤0.80.的诊断准确率为85% (33/39).
• FFR_CT显示诊断准确率为77% (30/39) 在预测FFR≤0.80.时.
• 在FFR_AI和FFR_CT (p=0.12) 之间没有观察到诊断准确性的显著差异.

结论:

• 在预测显著的冠状动脉狭窄症 (FFR ≤0.80) 方面,FFR_AI的表现与FFR_CT相似.
• FFR_AI显示出作为一种非侵入性成像工具的潜力,用于指导中等级狭窄症患者的治疗决策.