在使用深度学习的胸部X射线上对心血管边界进行自动化,标准化和定量分析

科学领域:

• 医疗成像中的人工智能
• 心血管疾病的诊断 心血管疾病的诊断
• 放射学和成像分析分析.

背景情况:

• 在胸部X射线 (CXR) 中对心血管边界 (CVB) 的传统分析缺乏客观的测量和确定的正常范围.
• 对CXR的主观解释可能导致评估心脏大小和形状的变化.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于对CXR进行定量CVB分析.
• 通过使用大量正常CXR数据集,确定CVB的特定年龄和性别的正常范围.
• 探索DL衍生的CVBz分数在对心血管疾病进行分类和分层方面的临床实用性.

主要方法:

• 预先验证的深度学习模型被用于分析来自四个机构的96,129个正常CXR的大队伍中的CVB.
• 建立了CVB的正常范围,并将其标准化为新输入的CXR的z-score.
• 用44567个患病的CXR来评估z-score分析的临床效用,这些CXR涉及各种心血管疾病,包括门疾病,冠状动脉疾病和先天性心脏病.

主要成果:

• DL模型在将门疾病与正常对照区分方面表现出强的表现,心胸比率的AUC为0.80,右心室和左心室边界的AUC为0.83.
• 在甲骨管和大动脉狭窄之间观察到CVBz-score的显著差异,与疾病病理生理学相关.
• 心胸比率z分数与冠状动脉疾病患者的5年死亡或心肌梗塞风险独立相关.

结论:

• 对CXR的基于深度学习的z-score分析显示了对CVB的客观量化有很大的潜力.
• 这种人工智能驱动的方法可以帮助对各种心血管异常的分类和风险分层.
• 既定的正常范围和z-score提供了一种标准化的方法来解释临床实践中的CVB.