使用端到端学习的冠状动脉血管图的自动缩窄估计
Christian Kim Eschen1, Karina Banasik1, Anders Bjorholm Dahl2
1Novo Nordisk Foundation Center for Protein Research, Faculty of Health and Medical Sciences, University of Copenhagen, Copenhagen, Denmark.
The international journal of cardiovascular imaging
|January 9, 2025
概括
深度学习模型通过血管造影精确评估冠状动脉狭窄,优于视觉估计. 这种人工智能方法提供了一种更快,更精确的方法来评估临床实践中的显著狭窄.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 冠状动脉扫描视觉评估狭窄缺乏准确性.
- 分流储备和定量冠状动脉血管学是耗时和昂贵的.
- 深度学习为更快,更准确的狭窄评估提供了潜力.
研究的目的:
- 开发和验证用于冠状动脉狭窄评估的深度学习模型.
- 划分冠状动脉的 cine 循环 (左/右) 并确定狭窄.
- 将深度学习模型的性能与既定方法进行比较.
主要方法:
- 开发了深度学习模型来分类电影循环和估计狭窄.
- 使用了19,414名患者和332,582个cine循环的大数据集.
- 在内部 (5056名患者) 和外部 (608名患者) 测试集上验证的模型.
主要成果:
- 内部测试显示高精度 (ROC-AUC 0.903) 显著的狭窄检测.
- 外部测试显示性能优于视觉评估 (ROC-AUC 0.833).
- 与3D QCA (0.798) 和FFR (0.780) 相比,模型性能也很强.
结论:
- 深度学习模型对准确的冠状动脉狭窄症预测有显著的前景.
- 这种人工智能方法改进了以前的方法,包括所有细分和重新血管化的患者.
- 这些模型提供了一个更简单的,外部验证的工具,用于狭窄的评估.
