跳到主要内容

话题

诊断成像

诊断成像

开源算法预测胸部CT扫描的心脏攻击风险

16 Feb 2021 塞缪尔·瓦内恩 
Chest CT scans

当负责用血液和氧气供应心脏的冠状动脉发生冠状动脉发生心脏病发生心脏病发作。这不会发生过夜,通常是脂肪或钙斑块正在缓慢沉积的结果。首先,这些斑块阻碍了血液的有效供应(心肌灌注)。最终,一个斑块的破裂会导致血液凝结形成,阻断冠状动脉并预防心肌灌注。因此,冠状动脉钙化是心脏病发作等不良心血管事件的重要和独立预测因子。

但尽管有这种知识,并且可以从任何胸部CT扫描评估它的事实,冠状动脉钙(CAC)的定量不会自动集成在患者途径中,因为它需要放射专业知识,时间和专业设备。要解决这个问题,来自多学科团队 布里格姆和女性’s Hospital‘s 医学计划中的人工智能 由...领着 Hugo Aerts.和马萨诸塞州综合医院’s 心血管成像研究中心 由...领着 Udo Hoffmann.,开发和测试了一种深学习算法,可以自动从任何胸部CT扫描量化CAC。他们的调查结果据报道 自然通信 该算法可用作自由开源软件 目标网站.

“在理论上,深度学习系统对人类会做的很多人来量化钙,” said first author 罗马Zeleznik.. “我们的论文表明,可以以自动的方式执行此操作。”

从1636次扫描开始,在20,084名患者上进行测试

要开发算法,研究人员使用扫描 Framingham心脏研究 - 一个精细但正在进行的心血管研究,自1948年以来一直在调查弗拉姆汉·马的居民的健康。他们使用了从研究中的1636 CT扫描(从第三代之后获取)来识别和量化CAC,使用专家CT读者执行的手动分割作为培训深度学习系统的原始事实。

深度学习系统采用三个连续的卷积神经网络来预测心脏中心,细分,并识别冠状动脉钙在小于2秒。然后,它计算CAC分数并将它们分层到临床相关类别中:非常低(CAC = 0);低(CAC = 1-100);中等(CAC = 101-300);和高(CAC>300).

该研究的强度在于DataSets的广度和范围,即深学习系统随后进行了测试。该团队使用了四个队列,专注于不同的病理:663弗朗汉姆心脏研究参与者,接受了心脏CT的参与者(其中没有人在培训组中); 14,959名重型吸烟者患有肺癌筛查CT(nlst试用); 4021例胸痛稳定的胸部疼痛(承诺审判); 441名患者患有心脏CT的急性胸痛(Romicat-II trial).

首先,该团队调查了系统是否准确于5521扫描,其中专家的测量。算法的CAC分数与手动评分高度相关,并且相邻风险类别之间发生大多数差异。

预测未来的心血管事件

该团队还调查了其系统的预测潜力。由于患者参加这些研究通常具有后续访问,研究人员寻找CAC评分和心血管事件之间的相关性。例如,在NLST研究中,在获得第一个CT扫描后,中位随访时间为6.7年。他们在心血管疾病中看到了CAC评分和死亡之间的明确关联:以较低的CAC得分组作为参考,低于中等和高分群分别具有57%,179%和287%的这种死亡。在其他研究中观察到类似的趋势。

使用数据集的多样性加强了这些结果的普遍性,以临床环境。“冠状动脉钙分数可以帮助患者和医生了解关于是否服用他汀类药物的信息,个性化决定[一种降低胆固醇的药物和心脏病发作风险]。从临床角度来看,我们的长期目标是在电子健康记录中实施这种深度学习系统,以自动识别高风险的患者,”结束于共同高级作者 迈克尔鲁.

相关事件

版权©2021由IOP Publishing Ltd和个人贡献者