基于几何深度学习的冠状动脉壁剪切应力估计来自现实世界的患者

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
• 生物医学工程 生物医学工程

背景情况:

• 冠状动脉壁剪切应力 (WSS) 提供预后价值,但在计算上是密集的.
• 目前的方法由于复杂性和漫长的计算时间,阻碍了临床翻译.
• 几何深度学习 (GEM-GCN) 为快速WSS估计提供了一个潜在的解决方案.

研究的目的:

• 评估GEM-GCN框架,用于直接从患者血管图中估计冠状动脉WSS.
• 将GEM-GCN WSS估计准确度与传统的CFD方法进行比较.
• 评估GEM-GCN WSS是否可以预测心肌梗塞 (MI) 风险.

主要方法:

• 从748名患者的侵入性血管造影中重建了1078条冠状动脉.
• 经过培训和测试的GEM-GCN使用CFD衍生的时间平均WSS作为参考标签.
• 进行随机和临床数据分割,以评估MI的预测性能.

主要成果:

• 在不到5秒的时间内,GEM-GCN生成了针对患者的WSS地图.
• 在高WSS地区实现了高空间一致性 (Dice 0.88) 和可比的MI预测性能.
• 规范化的GEM-GCN WSS与CFD衍生的WSS显示出强烈的相关性 (R=0.89).

结论:

• 几何深度学习可实现快速,无CFD的冠状动脉WSS估计.
• 这种方法促进了大规模的,现实世界的心血管风险分层.
• 支持WSS分析的临床翻译,以改善患者的治疗结果.