基于胸部X光图像的深度学习对亚临床动脉粥样硬化的检测
摘要
目的。开发一个基于深度学习的系统，用于在普通正面胸部X光片上识别亚临床动脉粥样硬化。方法与结果。针对具有可用配对胸部X光片和胸部计算机断层扫描（CT）且因任何临床原因在3个月内进行过检查的一级预防患者（58.4%为男性，中位年龄63 [51-74] 岁），在其460张胸部X光片（80%训练队列，20%内部验证队列）上开发了预测冠状动脉钙化（CAC）评分的深度学习算法（AI-CAC模型）。在胸部CT上计算得出的CAC评分被用作真实标签。该模型在同一机构的90名患者的时间独立队列上进行了验证（外部验证）。以曲线下面积（AUC）评估的AI-CAC模型的诊断准确性是主要终点。总体而言，中位AI-CAC评分为35 (0-388)，28.9%的患者无AI-CAC。AI-CAC模型在内部验证队列中识别CAC>0的AUC为0.90，在外部验证队列中为0.77。两个队列的敏感性始终保持在92%以上。在总体队列（n=540）中，AI-CAC=0的患者在4.3年后发生了一次ASCVD事件。AI-CAC>0的患者发生ASCVD事件的Kaplan Meier估计值显著更高（13.5% vs. 3.4%，log-rank=0.013）。结论。AI-CAC模型似乎能够以较高的敏感性在胸部X光片上准确检测亚临床动脉粥样硬化，并以较高的阴性预测值预测ASCVD事件。采用AI-CAC模型来细化心血管风险分层或作为机会性筛查工具需要前瞻性评估。
引用
@article{arxiv.2403.18756,
title = {Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray},
author = {Guglielmo Gallone and Francesco Iodice and Alberto Presta and Davide Tore and Ovidio de Filippo and Michele Visciano and Carlo Alberto Barbano and Alessandro Serafini and Paola Gorrini and Alessandro Bruno and Walter Grosso Marra and James Hughes and Mario Iannaccone and Paolo Fonio and Attilio Fiandrotti and Alessandro Depaoli and Marco Grangetto and Gaetano Maria de Ferrari and Fabrizio D'Ascenzo},
journal= {arXiv preprint arXiv:2403.18756},
year = {2024}
}
备注
Submitted to European Heart Journal - Cardiovascular Imaging Added also the additional material 44 pages (30 main paper, 14 additional material), 14 figures (5 main manuscript, 9 additional material)