基于深度学习的冠状动脉分割与心脏毒性风险预测系统的临床验证与前瞻部署
医学物理
2025-11-20 v1
摘要
重要性：用于心脏子结构的冠状动脉算法，以及对心脏剂量暴露的前瞻实时监测。方法：开展回顾性和前瞻性研究，对 AI 自动分割进行验证。对 560 例来自单一机构（2003-2014 年）的胸部 CT 扫描进行训练，并在内部（n=70）进行验证。外部验证在 2005-2020 年来自独立机构的 283 名患者中完成。临床实施包括（1）回顾性分析 3,399 例 2014-2022 年接受治疗的肺癌患者，以及（2）2023 年对 1,386 例连续患者的前瞻监测。结果：心脏和左主干（LAD）的中位数（四分位范围）Dice/ASSD 分别为 0.95（0.94-0.96）/1.1 mm 和 0.87（0.82-0.90）/1.9 mm；AI 与手动 LAD V15 的中位数绝对差值为 1%。AI 提取的 LAD V15 在内部和外部均与 MACE（次分布风险比 [HR]，1.03%；95% 置信区间，1.01-1.05）和 ACM（调整 HR，1.02；95% 置信区间，1.00-1.03）显著相关。回顾性部署显示，2014-2022 年 LAD V15 中位数相对下降 32%（从 12% 降至 8%），并在 3,399 例患者中识别出 1,086 例（32%）的高风险剂量。前瞻监测在 1,386 例当代患者中标记出 264 例（19%）的潜在心脏科转诊。结论：一个经验证的 AI 系统准确分割心脏子结构，复现剂量-结果关系，实现大规模监测，并为高风险患者提供临床警报。自动化心脏剂量监测可促进冠状动脉保健治疗的采纳和随访。
引用
@article{arxiv.2511.14971,
title = {Clinical Validation and Prospective Deployment of an Automated Deep Learning-Based Coronary Segmentation and Cardiac Toxicity Risk Prediction System},
author = {Christian V. Guthier and Christopher E Kehayias and Cosmin Ciausu and Jordan O. Gasho and John He and Maria Oorloff and Samuel C. Zhang and Danielle S. Bitterman and Jeremy S. Bredfeldt and Kelly Fitzgerald and Benjamin H. Kann and David E. Kozono and Jennifer Steers and Marion Tonneau and Anju Nohria and Hugo J. W. L. Aerts and Katelyn M. Atkins and Raymond H. Mak},
journal= {arXiv preprint arXiv:2511.14971},
year = {2025}
}