CathAI：基于神经网络的冠状动脉造影全自动解读
机器学习
2021-06-16 v1 人工智能
计算机视觉与模式识别
图像与视频处理
摘要
冠心病（CHD）是美国及全球成人死亡的首要原因，而冠状动脉造影检查是诊断与临床诊疗决策的主要入口。冠状动脉造影解读的标准诊疗方式依赖于医师操作者的临时肉眼评估。然而，对造影图像的临时肉眼解读可重复性较差、变异性高且易产生偏倚。本文首次表明，利用一系列深度神经网络算法实现全自动造影解读以估算冠状动脉狭窄是可行的。我们开发的算法流程——称为 CathAI——在未加选择的真实世界造影图像全自动解读所需的一系列任务上达到了最先进的性能。CathAI（算法 1-2）在识别整体投照角度时的阳性预测值、灵敏度和 F1 分数均 ≥90%，对左或右冠状动脉造影（主要关注的解剖结构）检测的相应指标 ≥93%。为预测阻塞性冠状动脉狭窄（≥70% 狭窄），CathAI（算法 4）的受试者工作特征曲线下面积（AUC）为 0.862（95% CI：0.843-0.880）。在另一国家医疗系统中进行外部验证时，CathAI 预测阻塞性冠状动脉狭窄的 AUC 为 0.869（95% CI：0.830-0.907）。我们的结果表明，多个专用神经网络可依次协作，完成真实世界造影图像自动分析所需的复杂任务序列。部署 CathAI 有望提升冠状动脉狭窄评估的标准化与可重复性，同时为未来算法造影解读任务提供坚实基础。
引用
@article{arxiv.2106.07708,
title = {CathAI: Fully Automated Interpretation of Coronary Angiograms Using Neural Networks},
author = {Robert Avram and Jeffrey E. Olgin and Alvin Wan and Zeeshan Ahmed and Louis Verreault-Julien and Sean Abreau and Derek Wan and Joseph E. Gonzalez and Derek Y. So and Krishan Soni and Geoffrey H. Tison},
journal= {arXiv preprint arXiv:2106.07708},
year = {2021}
}
备注
62 pages, 3 main figures, 2 main tables