基于深度学习的光学连贯性断层分析,用于预测急性冠状动脉综合征患者的心血管结果
Tomoyo Hamana1, Makoto Nishimori1,2, Satoki Shibata2
1Division of Cardiovascular Medicine, Department of Internal Medicine, Kobe University Graduate School of Medicine, Kobe, Japan.
European heart journal. Digital health
|November 20, 2024
概括
一个新的深度学习模型自动预测通过皮肤冠状动脉干预 (PCI) 后的光学连贯性断层扫描 (OCT) 图像的急性冠状动脉综合征 (ACS) 预后. 这种人工智能方法显示了与手动分析相比较的预测能力,改善了患者结果评估.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 干预心脏病学 干预心脏病学
背景情况:
- 光学连贯断层扫描 (OCT) 对于识别急性冠状动脉综合征 (ACS) 患者的高风险斑块至关重要.
- 手动分析OCT图像是耗时且有局限性的.
- 准确的预后预测对于经皮冠状动脉干预 (PCI) 后的ACS患者的管理至关重要.
研究的目的:
- 开发一种深度学习模型,使用OCT图像自动预测ACS预后.
- 评估模型的性能与传统方法相比.
- 利用人工智能提高PCI后ACS患者的风险分层.
主要方法:
- 结合卷积神经网络 (CNN) 和变压器的深度学习模型被训练在418名ACS患者的OCT图像上.
- 主要终点是目标船舶故障 (TVF).
- 模型的性能使用Harrell的C指数进行评估,并与基于数量和质量OCT因素的模型进行比较.
主要成果:
- 深度学习模型实现了TVF预测的C指数为0.796.
- 这种表现明显高于仅使用量化因素的模型 (C指数:0.640).
- 该模型的预测能力与结合定量和定性因素的传统模型相美 (C指数:0.789).
结论:
- 一个基于CNN和变压器的深度学习模型使ACS患者的预后能够完全自动预测.
- 人工智能模型的预测准确度与手动分析相当.
- 这项技术为心血管医学中客观风险评估提供了一个有前途的工具.
