对混合心脏 perfusion 图像进行整体 AI 分析,以预测死亡率
Anna M Marcinkiewicz1,2, Wenhao Zhang1, Aakash Shanbhag1,3
1Departments of Medicine (Division of Artificial Intelligence in Medicine), Imaging and Biomedical Sciences, Cedars-Sinai Medical Center, Los Angeles, CA, USA.
NPJ digital medicine
|March 14, 2025
概括
人工智能 (AI) 通过分析低剂量CTAC扫描来增强心肌输液成像 (MPI). 与传统方法相比,这种人工智能方法改善了全因死亡率预测.
科学领域:
- 心脏病学 心脏病学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 低剂量CT减弱校正 (CTAC) 扫描在混合心肌输液成像 (MPI) 提供未使用的解剖学和病理学数据.
- 目前的临床评估往往忽视了这些CTAC扫描的全部潜力.
研究的目的:
- 利用整体的人工智能 (AI) 方法,最大限度地利用CTAC扫描在混合MPI中的实用性.
- 通过整合来自CTAC,MPI和临床特征的数据来改善全因死亡率预测.
主要方法:
- 开发了一个多结构人工智能模型来分割33个结构,并从10,480名患者的CTAC扫描中量化15个放射学特征.
- 用单独的AI模型来定量冠状动脉和心表脂肪.
- 将多模式AI模型的预测性能与仅冠状动脉和 perfusion 数据进行比较.
主要成果:
- 多模式人工智能模型,包括MPI,CT,压力测试和临床特征,实现了所有原因死亡率预测的AUC为0.80.
- 这种表现明显高于仅使用冠状动脉 (AUC 0.64) 或 perfusion 数据 (AUC 0.62) 的模型.
- 两个比较的p值为<0.001,表明了统计学意义.
结论:
- 综合人工智能驱动的CTAC扫描分析的综合多模式方法显著提高了经过混合MPI的患者的全因死亡率预测.
- 这种整体的人工智能策略释放了常规获取的CTAC数据的全部潜力,与传统方法相比,提供了优越的预后信息.
