通过 AI 技术提升心血管风险预测的钙组学研究
通过基于深度学习的系统在普通胸部 X 线上识别亚临床动脉硬化,开发了一个预测冠状动脉钙化分数的深度学习算法,在内、外部验证中表现出良好的诊断准确性和预测动脉粥样硬化心血管疾病事件的负预测价值。
Mar, 2024
本多中心研究旨在使用 3D 多类别 nnU-Net 验证一种自动化心脏斑块检测模型,以用于门控和非门控的非对比度胸部 CT 体积,证明了 nnU-Net 语义分割管道如何适应于检测冠状动脉和瓣膜斑块,并展示了使用线性修正时,nnU-Net 深度学习方法在胸部非对比度 CT 扫描中准确估计 Agatston 分数的能力,相较于手动的 Agatson 评分,在非门控 CT 扫描中,自动化 Agatston 评分显示了线性回归斜率为 0.841 和截距为 + 16 HU(R2 = 0.97),这些结果比先前检测自动化 Agatston 评分的工作有所改进。
Feb, 2024
血管钙化是心脏病发作和中风等重大不良心血管事件的重要因素。本研究提出了一种用于测定钙化表型的新的分类系统,以及一种半自动、无损的钙化分类工具,能够在动脉粥样硬化组织中区分这些表型。通过引入高效全面的钙化表型分类方法,本研究使得大规模研究能够识别心血管事件的更可靠风险指标。
Jan, 2024
通过分析非对比度 CTMS 图像,可以评估周冠状动脉脂肪组织(PCAT)并确定其与重大不良心血管事件(MACE)之间的关联。PCAT 特征可以在 CTCS 图像中定量分析,可用于低成本的心血管风险评估,而无需考虑碘造成的影响。
Jan, 2024
多任务深度学习模型用于冠状动脉计算机断层扫描(CCTA)患者风险分层和下游测试选择。模型在冠状动脉疾病风险分层和预测下游测试方面取得了良好的准确性,并能在临床实践中对风险分层和治疗带来新的变革。
Sep, 2023
动脉粥样硬化是一种影响大动脉的慢性炎症性疾病;使用深度学习模型分割 CTA 图像中的血管系统以及计算血管钙化程度的 Metric,可提供医学专业人员对腹主动脉和膝下的钙化进行快速准确的评估。
Nov, 2023
本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法,该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征,并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险,优于现有的风险因子评估方案。
Dec, 2018
这份研究论文用深度学习算法实现了一种快速,可靠,易于实施的冠状动脉 CT 血管造影图标注方法,将冠状动脉树分成患者间一致的部分,并获得了比以前更好的诊断表现
Feb, 2022
通过使用 Dual-Energy X-ray Absorptiometry (DXA) 扫描获取的脊椎骨折评估 (VFA) 图像,将腹主动脉钙化 (AAC) 量化为有序回归问题。研究提出了一种新颖的有监督对比有序损失 (SCOL),通过将标签相关的距离度量结合现有的有监督对比损失,利用离散 AAC 回归标签中固有的有序信息。我们开发了一个双编码器对比有序学习 (DCOL) 框架,在全局和局部层面学习对比有序表示,从而改善特征可分离性和类别多样性,提高 AAC-24 属中的潜在空间中的特征分离性和类别多样性。我们使用两个临床 VFA DXA 扫描数据集评估了所提出框架的性能,并将其与现有方法进行了比较。此外,针对预测的 AAC 得分,我们进行临床分析以预测发生严重心血管事件 (MACE) 的未来风险。我们的结果表明,该方法增强了类间可分离性并增强了类内一致性,从而以高灵敏度和高准确性预测高风险的 AAC 类别。
Jul, 2023