使用多供应商数据集评估自动化冠状动脉分段和评分算法的概括性
Doyoung Park1, Jedidiah Ng2, Yixin Zhong3
1CVS.AI, National Heart Research Institute of Singapore, Singapore, Singapore.
Scientific reports
|July 2, 2025
概括
这项研究表明,RICAU-Net算法可以很好地概括到从无形扫描仪的CT扫描上对冠状动脉化 (CAC) 的细分. 人工智能工具在各种临床环境中显示了可靠的评分性能.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 心血管疾病研究研究
背景情况:
- 冠状动脉化评分 (CACS) 对心血管疾病 (CVD) 的预后至关重要.
- 目前的CAC评分方法可以通过扫描器的变化性来限制.
- 开发可靠的CAC细分算法对于临床应用至关重要.
研究的目的:
- 评估残余块启发坐标注意力U-Net (RICAU-Net) 算法的可通用性,用于病变特定的CAC细分.
- 评估算法在以前未见过的扫描仪的CT数据上的性能.
- 为了验证来自算法的CAC得分的准确性.
主要方法:
- 使用了1108个CT扫描的多供应商数据集 (西门子,通用电气,飞利浦,东芝).
- 训练有素的RICAU-Net用于自动损伤特定的CAC细分和评分.
- 使用Dice分数,类内相关系数 (ICC) 和布兰德-阿尔特曼分析评估绩效.
主要成果:
- 瑞卡网络 (RICAU-Net) 证明了良好的概括性,从未见过的扫描仪中验证和测试集之间的Dice分数平均绝对差异为<5%.
- 在所有扫描仪组 (ICC范围:0.95-1.00) 中,在每位患者水平上观察到Agatston得分的卓越可靠性.
- 可行性研究表明,在非对比性胸部CT扫描上,可接受的性能.
结论:
- RICAU-Net算法在各种CT扫描仪中表现出普遍的性能,提高了其临床实用性.
- 人工智能工具提供可靠和准确的CAC评分,适用于现实世界的临床环境.
- 该算法的适应性表明,在医学成像分析中可能有更广泛的应用.
