使用深度学习在冠状动脉CT血管学中自动检测和定量主动脉化:手动和自动评分方法的比较研究

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
• 医学诊断 医学诊断 医学诊断

背景情况:

• 大动脉化通常在冠状动脉 (CAC) 扫描中偶然发现.
• 手动量化大动脉化具有挑战性,限制了其在心血管风险评估中的使用.
• 深度学习为自动检测和量化提供了潜力.

研究的目的:

• 评估一种深度学习模型,用于在冠状动脉CT血管图像 (CTA) 中自动检测和量化大动脉化.
• 为了验证自动评估与手动评估的对比.
• 为了比较手动和自动大动脉化评估与发生的重大心血管不良事件 (MACE) 的关联.

主要方法:

• 在670名参与者的CAC扫描中应用了深度学习算法.
• 大动脉化量化手动和自动在大动脉根,上升和下降大动脉.
• 使用一致性相关系数 (CCC) 评估了一致性;使用考克斯回归和ROC分析评估了与MACE的关联.

主要成果:

• 自动动动脉化得分与手工方法具有很高的一致性 (CCC:0.926-0.992).
• 自动化方法在预测MACE方面表现出与手动技术相匹配的有效性.
• 接收器操作特征 (ROC) 分析证实预测能力没有显著差异 (p > 0.05).

结论:

• 自动主动脉化得分是手工方法的可靠和一致的替代方案.
• 这种自动化方法提高了分析CAC扫描中偶然发现的效率.
• 这项研究支持了对心血管风险分层进行自动主动脉化评估的临床实用性.