基于深度学习的腹腔大动脉化自动化量化系统:用于算法开发和临床验证的多中心队列研究

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:

• 腹腔大动脉化 (AAC) 是动脉样硬化的重要指标.
• 标准化定量成像分析对于动脉样硬化管理中的临床决策至关重要.
• 手动评分AAC可以是主观和耗时的.

研究的目的:

• 开发和验证腹腔大动脉化 (AAC) 的自动评分系统.
• 促进用于动脉样硬化管理的标准化定量成像分析.
• 改善临床实践中的心血管风险分层.

主要方法:

• 利用了来自五个医疗中心的2,941名患者的X射线图像.
• 开发了一个由两部分组成的自动化框架:腰椎细分 (nnUnet) 和AAC分数回归 (ResNet).
• 通过使用1737个培训案例,471个内部验证案例和733个外部验证案例验证了该模型.

主要成果:

• 自动化系统以低平均绝对误差 (1.686内部,1.920外部) 实现了高精度.
• 与专家评级有很强的相关性 (斯皮尔曼的 ρ = 0.923 内部, 0.888 外部).
• 在化类别中表现出极佳的级别间可靠性 (ICC = 0.913内部,0.874外部) 和高灵敏度/特异性.

结论:

• 开发的自动化AAC量化系统是高效和准确的.
• 为定量成像分析提供了一种标准化的方法.
• 帮助完善心血管风险分层,以更好地管理患者.