深度学习用于检测冠状动脉狭窄症在冠状动脉CT血管学中的高度化斑块:一个逐步的多中心研究

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 冠状动脉狭窄的评估对于心血管疾病管理至关重要.
• 严重化的斑块在冠状动脉CT血管造影 (CCTA) 上对精确的狭窄评估构成重大挑战.
• 定量冠状动脉血管学 (QCA) 是参考标准,但具有侵入性.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于自动评估CCTA上严重化的斑块中的冠状动脉狭窄.
• 将DL模型的性能与QCA和临床报告进行比较.
• 评估DL辅助对放射科医生诊断绩效的影响.

主要方法:

• 为了DL模型开发,回顾性收集了10,101个CCTA.
• 外部验证使用三个数据集 (442,120和150个CCTA),包括绩效评估,读者研究和前性分析.
• 使用QCA作为参考的接收器操作特征 (ROC) 分析来评估诊断性能.

主要成果:

• 在外部测试中,DL模型实现了高特异性 (78%) 和AUC (0.89) 检测≥50%的狭窄在细分层面.
• 随着DL的帮助,放射科医生的特异性提高了7-11%,并且增加了读者之间的共识.
• 在前性分析中,该模型与临床报告相比表现优越 (AUC 0.91 与 0.76).

结论:

• 开发的DL模型准确地检测到CCTA上高度化的斑块中的冠状动脉狭窄.
• DL辅助显著改善了放射科医生的诊断性能和读者之间的协议.
• 这种人工智能工具对心血管成像中的真实世界临床部署充满希望.