3D卷积神经网络用于预测疑似冠状动脉疾病患者冠状动脉计算机断层扫描血管学临床结果

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:

• 冠状动脉疾病 (CAD) 构成重大心脏事件的重大风险.
• 准确的预后风险分层对于管理疑似CAD患者至关重要.
• 当前的风险评估模型可能会从先进的成像分析中受益.

研究的目的:

• 开发和评估一个优化的3D CNN,用于从CCTA图像中预测主要心脏事件.
• 评估深度学习分析与临床和成像风险因素相结合的附加值.
• 改善疑似CAD患者的预后风险分层.

主要方法:

• 从怀疑CAD的患者获得的CCTA图像的回顾性分析.
• 基于DenseNet架构的优化3D CNN模型的开发.
• 在一个大群体中对CNN进行培训和测试,平均随访时间为7.2年.
• 与传统风险评分 (莫里斯评分) 和CAD (eoCAD) 的程度进行CNN业绩的比较.

主要成果:

• 3D CNN 实现了 0.872 ± 0.020 的 AUC,用于测试队列中预测主要心脏事件.
• 结合莫里斯分数,eoCAD和3D CNN,结果是预测性能最高 (AUC 0.920 ± 0.015).
• 与传统方法相比,深度学习分析显著改善了预后风险分层.

结论:

• 一个优化的3D CNN模型有效地使用CCTA图像预测主要的心脏事件.
• 基于深度学习的CCTA数据分析增强了预后风险分层.
• 3D CNN与临床和成像因素的整合为怀疑CAD的患者提供了优越的风险预测.