深度学习用于预测疑似冠状动脉疾病的患者的普通胸部X射线的长期死亡率
Giuseppe D'Ancona1, Mattia Savardi2,3, Mauro Massussi4
1Department of Cardiology and Cardiovascular Clinical Research Unit, Vivantes Klinikum Urban and Neukölln, Berlin, Germany.
Journal of thoracic disease
|September 13, 2024
概括
深度学习模型可以预测心脏病患者的胸部X射线 (CXRs) 的长期死亡率. 这种DL-CXR风险评分提供了一个比传统方法 (如年龄和冠状动脉血管学发现) 更准确的预后工具.
科学领域:
- 人工智能在医学中的应用
- 放射学和医学成像学 医学成像学
- 心脏病学 心脏病学
背景情况:
- 深度学习 (DL) 模型在预测从胸部X射线 (CXRs) 获得的长期预后信息方面表现出有效性,特别是在癌症查中.
- 这项研究研究了DL的应用,用于预测心痛和冠状动脉血管学转诊的患者的长期死亡率.
研究的目的:
- 开发和验证一个深层卷积神经网络 (DCNN),能够使用普通的CXRs预测长期死亡率.
- 评估DL-CXR风险评分在分层死亡风险和预测疑似冠状动脉疾病患者的结果方面的表现.
主要方法:
- 追溯分析了来自6031名被转诊到意大利学术医院进行胸部X射线的患者的数据.
- 开发一个DCNN模型用于死亡率预测,在一个独立的荷兰学术医院队列上进行内部验证和外部验证.
- 根据DL-CXR风险得分和使用曲线下的面积 (AUC),灵敏度和特异性的预测准确度的评估,将患者分为风险四分位数.
主要成果:
- DL-CXR风险得分显示,在风险四分位数 (5%至46%,P<0.001) 中,与估计的死亡率有显著的增量关联.
- 该模型实现了0.793的AUC预测长期结果,超过冠状动脉血管学发现 (AUC:0.569) 和年龄 (AUC:0.735).
- 外部验证证实了该模型的预测性能 (AUC:0.71).
结论:
- DL-CXR风险评分有效地分层了接受冠状动脉血管造影的胸痛患者的死亡风险.
- 这种人工智能驱动的工具与传统因素 (如年龄和冠状动脉疾病状态) 相比,提供了优越的长期预后预测.
- 这些发现表明,DL-CXR风险评分可以成为怀疑或确诊冠状动脉疾病患者临床决策的宝贵补充.
