人工智能增强的输血评分提高了心肌输血成像诊断的准确性

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习 (DL) 模型在提高心肌 perfusion SPECT成像的准确性,以检测阻塞性冠状动脉疾病 (CAD) 方面表现有前途.
• 提高AI在该领域的临床可翻译性需要将DL预测整合到已建立的定量指标中.

研究的目的:

• 通过使用DL预测来获得增强的总 perfusion deficit (TPD) 和17段总和分数来提高人工智能方法对阻塞性CAD检测的临床可翻译性.
• 将这些人工智能增强得分的诊断性能与传统的定量得分和单独的AI预测进行比较.

主要方法:

• 使用了一组接受心肌输液成像和侵入性冠状动脉血管学的患者队列.
• 使用DL预测来调节极地图像素分数,从中获得TPD-DL和总压力分数-DL.
• 使用接收器操作特征曲线 (AUC) 下面的面积来评估诊断性能.

主要成果:

• 压力TPD-DL显示了较高的预测性能 (AUC,0.837) 阻塞性CAD与AI预测单独 (AUC,0.795) 和传统的压力TPD (AUC,0.737).
• 与传统的定量总和压力评分 (AUC,0.728) 相比,总和压力评分-DL也显示出更高的性能 (AUC,0.822).
• 在5%的值下,TPD的灵敏度和特异性分别从72%提高到79%和62%提高到70%.

结论:

• 将人工智能预测与传统的定量方法相结合,创建了一个简化的人工智能方法,为临床医生提供熟悉的措施.
• 这种人工智能增强的方法比传统的定量评分准确度更高,可能有助于将其纳入临床实践.
• 该研究强调了人工智能的潜力,可以改进心脏病学中现有的诊断工具.