使用机器学习来预测CT血管学中的动脉症状:放射学和深度学习的方法

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心血管成像 - 心血管成像

背景情况:

• 动脉疾病 (CAD) 是中风的重要危险因素.
• 目前用于CAD评估的方法,如评分,可能无法捕获所有相关的病理信息.
• 新的图像分析技术为更全面的CAD评估提供了潜力.

研究的目的:

• 评估放射学和深度学习 (DL) 方法,以识别症状性动脉疾病 (CAD),使用动脉CT血管学 (CTA) 图像.
• 将放射学和DL的诊断性能与CAD检测中的常规分数进行比较.

主要方法:

• 从有症状和无症状的患者中分析了动脉CTA图像.
• 提取93个放射性特征并训练卷积神经网络 (CNN) 用于CAD分类.
• 使用5倍交叉验证的AUC分数和可解释性算法 (SHAP,GRAD-CAM) 评估预测性能.

主要成果:

• 在无症状与症状动脉 (0.96) 中,放射性动脉获得了最高的AUC,其次是DL (0.86) 和评分 (0.79).
• 对于罪祸首与非罪祸首的动脉,放射性 (0.75) 优于DL (0.67) 和评分 (0.60).
• 放射学在多类分类中也表现出优异的性能 (AUC 0.95).

结论:

• 放射学和DL方法通过提取超出化的定量信息来识别CAD,显示出显著的潜力.
• 这些先进的图像分析技术可以改善中风风险分层.
• 需要进一步的研究,以促进这些新方法的临床整合.