从CCTA获得AI驱动的多视图学习,用于心肌梗塞诊断
Jakub Gwizdala1,2, Adil Salihu3, Ortal Senouf1,2
1Institute of Mathematics, School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland.
The international journal of cardiovascular imaging
|October 9, 2025
概括
人工智能 (AI) 增强了冠状动脉计算机断层扫描血管学 (CCTA) 用于诊断非ST升高急性冠状动脉综合征 (NSTE-ACS). 一个人工智能模型在识别罪祸首病变方面实现了与分流储备 (FFR-CT) 相似的诊断性能.
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:
- 非ST升高急性冠状动脉综合征 (NSTE-ACS) 带来了诊断挑战,一些患者缺乏阻塞性冠状动脉疾病.
- 冠状动脉计算机断层扫描血管学 (CCTA) 是一种用于冠状动脉评估的非侵入性成像工具.
- 人工智能 (AI) 的整合可能会提高CCTA的诊断准确性.
研究的目的:
- 通过学习融合方法评估机器学习 (ML) 模型,用于识别高风险NSTE-ACS患者的罪祸首病变.
- 与已确定的方法相比,评估ML模型的诊断性能.
主要方法:
- 一项涉及高风险NSTE-ACS患者接受CCTA的前性多中心试验的子分析.
- 开发一个ML框架来分析直角CCTA视图,将冠状动脉段分类为罪祸首或非罪祸首,使用侵入性冠状动脉血管学 (ICA) +/-分流储备 (FFR) 作为黄金标准.
- 通过5倍交叉验证和与传统特征提取和FFR-CT进行比较进行模型训练.
主要成果:
- 分析了80名患者的514个冠状动脉段,其中63个 (12.3%) 被确定为罪祸首病变.
- 学习融合ML模型的灵敏度为0.55 ± 0.14,特异性为0.93 ± 0.05,F1得分为0.53 ± 0.11.
- 对于ML模型的曲线下的面积 (AUC) 是0.84±0.06,与FFR-CT相比 (AUC为0.82±0.08).
结论:
- 在CCTA分析中,人工智能驱动的学习融合方法在识别罪祸首病变方面表现与FFR-CT相美.
- 人工智能增强的CCTA分析有望改善高风险NSTE-ACS患者的临床决策.
- 需要在更大的患者队伍中进行进一步的验证,以确认这种AI方法的实用性.
