深度学习和基于放射学的血管化表征在牙圆束计算机断层扫描中作为心血管疾病的预测工具:一项概念验证研究

科学领域:

• 医疗成像中的人工智能
• 心血管疾病风险预测预测
• 放射学和深度学习应用程序

背景情况:

• 脑外和脑内动脉 (ECC,ICC) 和脊椎动脉 (VAC) 中的动脉结是心血管疾病 (CVD) 的指标.
• 形束计算断层扫描 (CBCT) 扫描,经常用于牙科,包含相关的解剖信息.
• 准确检测和描述这些化对于评估心血管疾病风险至关重要.

研究的目的:

• 评估一种自动化的深度学习方法,用于在CBCT扫描中检测ECC,ICC和VAC.
• 评估CBCT衍生的放射性生物标志物的实用性,用于预测中风和心脏病发作.

主要方法:

• 使用nn-UNet架构来训练用于识别ECC,ICC和VAC的模型.
• 148个CBCT扫描被用于模型培训和验证.
• 从135个化区域提取了放射性特征,以预测心血管疾病事件.

主要成果:

• 深度学习模型实现了可接受的ECC (0.71 ± 0.06) 和ICC (0.78 ± 0.12) 的检测精度,VAC (0.53 ± 0.17) 的性能较低.
• 将放射学与临床数据相结合,改善了ICC中风预测 (AUC-ROC: 0.94 ± 0.09).
• 结合ECC和ICC数据与放射学增强了心脏病发作预测 (AUC-ROC:0.88 ± 0.04和0.84 ± 0.16).

结论:

• 自动化的深度学习方法显示出在牙科CBCT扫描中检测ECC和ICC的前景.
• 来自CBCT的可量化的放射性生物标志物可以帮助预测心血管疾病发病率.
• 这种方法为早期CVD风险评估提供了一个潜在的工具,使用随时可用的成像数据.