在低成本,查CT分检查中,机会主义自动化大动脉结石化评估

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 大动脉狭窄 (AS) 是一种普遍存在的心脏病,特别是在老年人群中,可能导致心力衰竭.
• 早期发现和治疗AS,包括跨导管大动脉置换 (TAVR),对于管理这种情况至关重要.
• 大动脉结石化 (AVC) 是AS的一个关键指标,但目前的检测方法可能无法普遍获得.

研究的目的:

• 开发和验证一种用于检测AVC的新方法,使用易于获得的,低成本的非对比的CT分数 (CTCS) 查图像.
• 为了解决早期AS检测和患者转诊进一步评估和治疗的未满足的临床需求.
• 利用人工智能进行AVC的自动识别,促进更广泛的查.

主要方法:

• 设计了一个多任务深度学习网络,用于识别CTCS图像中感兴趣的大动脉区域 (ROI).
• 在确定ROI的范围内,Agatston标准被应用来量化化,模拟标准的临床评估.
• 模型的性能通过将其预测的ROI和Agatston分数与心脏病学家的评估进行比较来评估.

主要成果:

• 深度学习模型与心脏病学家在确定大动脉ROI方面表现出强烈的共识.
• 从模型中预测的阿加斯顿分数与心脏病学家 (r=1.00,p=0.573) 确定的分数有很好的相关性.
• 根据指导方针,对2000多名患者的分析显示,AVC发生在男性的20.6%和女性的22.2%中,严重的AS分别在3.53%和9.04%中被发现.

结论:

• 开发的基于人工智能的方法在CTCS扫描上有效地检测到大动脉的化,为早期AS查提供了一个有前途的工具.
• 这种方法有可能对公共卫生产生重大影响,因为它可以更早地对AS进行诊断和干预.
• 需要进一步的验证和临床评估,以将这种方法纳入常规查协议.