基于深度学习的多式风险分层,用于动脉样硬化管理
Min Xu1, Yaosheng Mei1, Chengnan Liu1
1Vasculocardiology Department, Yongkang First People's Hospital Affiliated to Hangzhou Medical College, Yongkang, China.
一个新的深度学习模型通过准确识别高风险斑块来改善动脉样硬化风险分层. 这种人工智能工具提高了精度,减少了处理时间,有助于临床决策,以获得更好的患者结果.
科学领域:
- 心血管成像和诊断系统
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 动脉样硬化对心血管事件构成重大风险,需要精确的风险分层.
- 目前的风险分层方法依赖于主观成像和临床评分,缺乏精度.
研究的目的:
- 开发和验证一种多模式深度学习 (DL) 模型,以提高动脉样硬化风险分层.
- 与传统方法相比,提高识别高风险斑块的准确性和效率.
主要方法:
- 开发了一个DL模型,集成U-Net进行细分,ResNet进行分类,以及注意力机制.
- 该模型处理了多模式数据,包括超声波,CTA和临床变量.
- 在一个分割数据集 (8:1:1) 上采用了5倍交叉验证策略.
主要成果:
- 对于损伤细分,U-Net 实现了 0.88 的 Dice 系数.
- 该ResNet模型达到92%的分类准确度和0.97.9的AUC.
- 注意力机制提高了易受伤害的斑块检测10%,处理时间减少了70%.
结论:
- 多模式DL模型显著提高了动脉样硬化风险分层的准确性 (92%的准确性,0.97AUC).
- 该模型为临床医生提供了一个快速 (减少70%的时间) 和可靠的决策支持工具.
- 这种方法有望优化个性化干预策略,改善患者预后.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
相关概念视频
Atherosclerosis III: Management
Atherosclerosis IV: Nursing Management
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Atherosclerosis I: Introduction
Coronary Artery Disease I: Introduction
Cardiovascular Drugs: Classification based on Therapeutic Indications
