基于冠状动脉CT血管学深度学习模型的诊断性能,用于预测血管特异性缺血症

科学领域:

• 心血管成像和干预心血管成像和干预
• 医学中的人工智能.
• 非侵入性诊断技术是一种非侵入性诊断技术.

背景情况:

• 分流储备 (FFR) 和即时无波比 (iFR) 是入侵性冠状动脉血管造影 (ICA) 期间评估冠状动脉疾病 (CAD) 的黄金标准.
• 人工智能 (AI) 提供了使用冠状动脉计算机断层扫描血管学 (CCTA) 数据进行非侵入性缺血评估的潜力.

研究的目的:

• 评估基于深度学习的CT-FFR (CT-FFR_AI) 模型在预测血管特异性缺血方面的诊断性能.
• 为了比较CT-FFR_AI预测与侵入性FFR和iFR测量.

主要方法:

• 对来自275名接受CCTA和侵入性FFR/iFR治疗的患者的322个血管进行了回顾性分析.
• 使用深度学习模型生成CT-FFR_AI预测,结果与侵入性测量相比 (FFR ≤ 0.80,iFR ≤ 0.89).
• 计算了诊断值 (灵敏度,特异性,PPV,NPV,准确度);通过后勤回归评估了影响性能的因素.

主要成果:

• CT-FFR_AI与侵入性评估显示出相当大的一致性 (κ = 0.725).
• 观察到高诊断准确度:灵敏度85%,特异性91%,PPV 82%,NPV 93%,整体准确度为83% (基于高级放射科医生评估).
• 诊断准确度显著降低,冠状动脉化增加 (p < 0.001).

结论:

• CT-FFR_AI对预测血管特异性冠状动脉缺血的非侵入性高诊断性能.
• 人工智能模型是侵入性FR/iFR的有希望的非侵入性替代品,可能减少程序的必要性.
• 冠状动脉化会对特异性产生负面影响,这表明未来AI模型需要改进空间分辨率.