論文の概要: Enhancing cardiovascular risk prediction through AI-enabled calcium-omics

• arxiv url: http://arxiv.org/abs/2308.12224v1
• Date: Wed, 23 Aug 2023 16:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 13:39:35.169040
• Title: Enhancing cardiovascular risk prediction through AI-enabled calcium-omics
• Title（参考訳）: AI対応カルシウムオミクスによる心血管リスク予測の強化
• Authors: Ammar Hoori, Sadeer Al-Kindi, Tao Hu, Yingnan Song, Hao Wu, Juhwan Lee, Nour Tashtish, Pingfu Fu, Robert Gilkeson, Sanjay Rajagopalan, David L. Wilson
• Abstract要約: 冠動脈カルシウム(CAC)は大血管障害(MACE)の強力な予測因子である 詳細な石灰化特徴(カルシウムオミクス)を用いたAI手法が、MACE予測を改善することができるかどうかを判定する。 以上の結果から, リスク予測の改善にカルシウムオミクスが有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.035300372916709
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background. Coronary artery calcium (CAC) is a powerful predictor of major adverse cardiovascular events (MACE). Traditional Agatston score simply sums the calcium, albeit in a non-linear way, leaving room for improved calcification assessments that will more fully capture the extent of disease. Objective. To determine if AI methods using detailed calcification features (i.e., calcium-omics) can improve MACE prediction. Methods. We investigated additional features of calcification including assessment of mass, volume, density, spatial distribution, territory, etc. We used a Cox model with elastic-net regularization on 2457 CT calcium score (CTCS) enriched for MACE events obtained from a large no-cost CLARIFY program (ClinicalTri-als.gov Identifier: NCT04075162). We employed sampling techniques to enhance model training. We also investigated Cox models with selected features to identify explainable high-risk characteristics. Results. Our proposed calcium-omics model with modified synthetic down sampling and up sampling gave C-index (80.5%/71.6%) and two-year AUC (82.4%/74.8%) for (80:20, training/testing), respectively (sampling was applied to the training set only). Results compared favorably to Agatston which gave C-index (71.3%/70.3%) and AUC (71.8%/68.8%), respectively. Among calcium-omics features, numbers of calcifications, LAD mass, and diffusivity (a measure of spatial distribution) were important determinants of increased risk, with dense calcification (>1000HU) associated with lower risk. The calcium-omics model reclassified 63% of MACE patients to the high risk group in a held-out test. The categorical net-reclassification index was NRI=0.153. Conclusions. AI analysis of coronary calcification can lead to improved results as compared to Agatston scoring. Our findings suggest the utility of calcium-omics in improved prediction of risk.
• Abstract（参考訳）: 背景。 冠動脈カルシウム(CAC)は、大血管障害(MACE)の強力な予測因子である。 伝統的なアガットストンスコアは、単にカルシウムを非線形に集計するだけであり、病気の程度を十分に把握する石灰化評価を改善する余地を残している。 目的。 詳細な石灰化特徴(カルシウムオミクス)を用いたAI手法が、MACE予測を改善することができるかどうかを判定する。 メソッド。 石灰化のさらなる特徴として,質量,体積,密度,空間分布,領域などについて検討した。 大規模無費用明確化プログラム (clinicaltri-als.gov identifier: nct04075162) から得られたmaceイベントに富む2457ctカルシウムスコア (ctcs) の弾性ネット正規化を用いたcoxモデルを用いた。 我々はモデルトレーニングを強化するためにサンプリング技術を採用した。 また,選択した特徴を持つコックスモデルを用いて,説明可能な高リスク特性の同定を行った。 結果だ 合成ダウンサンプリングとアップサンプリングを改良したカルシウム-オミクスモデルでは,それぞれc-index (80.5%/71.6%) と2年間のauc (82.4%/74.8%) が得られた。 agatstonはc-index (71.3%/70.3%) とauc (71.8%/68.8%) をそれぞれ与えた。 カルシウム-オミクスの特徴としては, 石灰化量, ラッド質量, 拡散率(空間分布の指標)が危険度の増加の要因となり, 高濃度石灰化 (>1000hu) がリスクの低減に寄与した。 カルシウム・オミクスモデルでは, MACE患者の63%が, 高リスク群に再分類された。 カテゴリー別ネット再分類指数はNRI=0.153。 結論だ 冠動脈石灰化のAI分析は、アガットンスコアと比較して改善される可能性がある。 以上の結果から, リスク予測の改善にカルシウムオミクスの有用性が示唆された。

関連論文リスト

• DINO-LG: A Task-Specific DINO Model for Coronary Calcium Scoring [0.0]
  冠状動脈カルシウム(CAC)スコアは、冠動脈疾患を予防するためのリスクアセスメントの鍵となる。 本研究では、DINOの自己教師型学習(SSL)技術(ラベルなし自己蒸留)を取り入れることで、このアプローチを拡張した。 DINOモデルは、重要な特徴を効果的に捉え、強調する機能を生成することを目的として、ラベルを使用することで、石灰化領域に特に焦点を合わせるように訓練されている。 ラベル誘導DINO(DINO-LG)は,石灰化を含むCTスライスと石灰化しないスライスを区別し,標準DINOモデルよりも57%の精度で分類を向上する。
  論文  参考訳（メタデータ） (2024-11-12T17:55:39Z)
• Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
  心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。 広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。 本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
  論文  参考訳（メタデータ） (2024-09-03T07:57:08Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Generative Models for Reproducible Coronary Calcium Scoring [3.1746159467221253]
  冠動脈カルシウム(CAC)スコアは、冠動脈疾患(CHD)の強い、独立した予測因子である。 CACスコアリングは、石灰化のセグメンテーションに一定の強度レベルしきい値を適用する必要があるという臨床的定義のために、限られたインタースキャンに悩まされる。 本稿では,CACのセグメンテーションのしきい値を必要としないCAC手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:59:32Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• An Analysis by Synthesis Method that Allows Accurate Spatial Modeling of Thickness of Cortical Bone from Clinical QCT [0.7340017786387765]
  骨粗しょう症(英: osteoporosis)は、大脳皮質骨と気管骨の強度の低下により骨折リスクが増大する骨格疾患である。 本研究では,皮質骨の厚み分布の正確な空間的モデリングを可能にする,新しいモデルに基づく完全自動画像解析手法を提案する。
  論文  参考訳（メタデータ） (2020-09-18T07:30:18Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。