基于深度学习的冠状动脉计算机断层扫描血管学在检测冠状动脉狭窄症的诊断性能

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:

• 冠状动脉疾病 (CAD) 诊断依赖于通过冠状动脉计算机断层扫描血管学 (CCTA) 识别显著狭窄 (≥50%).
• 目前的诊断方法可能耗时,影响患者的分拣和管理.
• 需要自动化工具来提高CAD评估的效率和准确性.

研究的目的:

• 通过CCTA验证一个完全自动化的深度学习 (AI) 模型,用于使用CCTA诊断阻塞性CAD (≥50%狭窄).
• 与专家阅读器相比,评估AI模型的诊断性能和效率.

主要方法:

• 一项多中心临床试验追溯分析了来自1090名患者的CCTA数据.
• 一个多阶段的深度学习框架,包括3D CNNs,用于冠状动脉细分和狭窄分析.
• 人工智能衍生的狭窄测量与三个专家读者的共识相比较.

主要成果:

• 人工智能模型实现了高诊断性能:92.8%的准确性,95.3%的灵敏性,91.4%的特异性,85.6%的PPV和97.3%的NPV.
• 人工智能和专家读者之间观察到很好的一致性 (kappa=0.84).
• 人工智能显著减少了阅读时间,从5.94分钟减少到2.01分钟 (p<0.001).

结论:

• 一种基于人工智能的新型CCTA评估能够准确且快速识别显著冠状动脉狭窄 (≥50%) 的患者.
• 人工智能模型表明,在疑似CAD病例中,有效的患者分组具有潜力.
• 这种自动化方法提高了心脏病学中的诊断效率.