使用机器学习和J-ACCESS数据库开发的新算法可以从心肌 perfusion 单光子发射断层扫描图像中估计缺陷得分

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:

• 心肌输液单光子发射计算机断层扫描 (SPECT) 成像 (MPI) 对于诊断和预测冠状动脉疾病 (CAD) 患者的预后至关重要.
• 2001年建立的J-ACCESS数据库包含有价值的数据,包括CAD的风险模型和专家解释.
• 这项研究旨在开发一种新的机器学习 (ML) 算法,使用J-ACCESS数据来增强SPECT图像解释.

研究的目的:

• 开发和验证一种新的机器学习 (ML) 算法,用于估计心肌输液成像 (MPI) 评分.
• 利用J-ACCESS数据库进行ML算法的训练和测试.
• 提高用于CAD的SPECT图像解释的准确性和可访问性.

主要方法:

• 在J-ACCESS 3和4数据库中分析了1288名患者的数据.
• 使用U-Net.Net的3D立体立体左心室心肌输液图像和细分提取的重建.
• 使用 ML 来提取和估计细分分数的特征提取,并使用标准分数模型 (SSS,SRS,SDS,%SDS) 对专家解释进行评估.

主要成果:

• 机器学习算法与专家解释的完全一致率为79.6%.
• 低估和高估的比率分别为10.3%和10.0%.
• 在ML估计和专家评估的缺陷得分之间观察到强烈的相关性 (r = 0.8420.923,p < 0.0001).

结论:

• 开发了一种新的ML算法,使用J-ACCESS数据库准确估计MPI得分.
• 这种算法可以在缺乏专业核心脏病专家的设施中促进准确的MPI解释.
• 该工具有可能有助于治疗决策,并改善CAD患者的预后预测.