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
- Pulmonologists-Level lung cancer detection based on standard blood test
results and smoking status using an explainable machine learning approach [2.545682175108217]
肺癌(LC)は、主に後期診断によるがん関連死亡の主な原因である。
近年, 機械学習は, 様々な疾患の発見を容易にすることによって, 医療において大きな可能性を秘めている。
LC検出のための動的アンサンブル選択(DES)に基づくMLモデルを開発した。
論文 参考訳(メタデータ) (2024-02-14T22:00:57Z) - AI prediction of cardiovascular events using opportunistic epicardial
adipose tissue assessments from CT calcium score [4.788487212121804]
我々は新しい手作り心房細動組織(EAT)「fatomics」を作製した。
放射能特性(形態,空間,強度)148点を抽出し,MACEの特徴低減と予測にCox弾性ネットを用いた。
高リスクの特徴としては、Volume-of-voxels-having-elevated HU- negative-skewnessとKurtosis-of-EAT-thicknessがある。
論文 参考訳(メタデータ) (2024-01-29T14:42:06Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images [45.32169712547367]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳(メタデータ) (2024-01-29T12:56:11Z) - Improving Cardiovascular Disease Prediction Through Comparative Analysis
of Machine Learning Models: A Case Study on Myocardial Infarction [0.0]
心臓血管疾患は現代世界でも主要な死因である。
正確な予測は、医療戦略の精査に欠かせない。
XGBoostがトップパフォーマンスモデルとして登場します。
論文 参考訳(メタデータ) (2023-11-01T13:41:44Z) - 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。