論文の概要: AI prediction of cardiovascular events using opportunistic epicardial adipose tissue assessments from CT calcium score

• arxiv url: http://arxiv.org/abs/2401.16190v1
• Date: Mon, 29 Jan 2024 14:42:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 14:28:23.461800
• Title: AI prediction of cardiovascular events using opportunistic epicardial adipose tissue assessments from CT calcium score
• Title（参考訳）: CTカルシウムスコアを用いた心機能評価を用いた心血管イベントのAI予測
• Authors: Tao Hu, Joshua Freeze, Prerna Singh, Justin Kim, Yingnan Song, Hao Wu, Juhwan Lee, Sadeer Al-Kindi, Sanjay Rajagopalan, David L. Wilson, Ammar Hoori
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.788487212121804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Recent studies have used basic epicardial adipose tissue (EAT) assessments (e.g., volume and mean HU) to predict risk of atherosclerosis-related, major adverse cardiovascular events (MACE). Objectives: Create novel, hand-crafted EAT features, 'fat-omics', to capture the pathophysiology of EAT and improve MACE prediction. Methods: We segmented EAT using a previously-validated deep learning method with optional manual correction. We extracted 148 radiomic features (morphological, spatial, and intensity) and used Cox elastic-net for feature reduction and prediction of MACE. Results: Traditional fat features gave marginal prediction (EAT-volume/EAT-mean-HU/ BMI gave C-index 0.53/0.55/0.57, respectively). Significant improvement was obtained with 15 fat-omics features (C-index=0.69, test set). High-risk features included volume-of-voxels-having-elevated-HU-[-50, -30-HU] and HU-negative-skewness, both of which assess high HU, which as been implicated in fat inflammation. Other high-risk features include kurtosis-of-EAT-thickness, reflecting the heterogeneity of thicknesses, and EAT-volume-in-the-top-25%-of-the-heart, emphasizing adipose near the proximal coronary arteries. Kaplan-Meyer plots of Cox-identified, high- and low-risk patients were well separated with the median of the fat-omics risk, while high-risk group having HR 2.4 times that of the low-risk group (P<0.001). Conclusion: Preliminary findings indicate an opportunity to use more finely tuned, explainable assessments on EAT for improved cardiovascular risk prediction.
• Abstract（参考訳）: 背景:近年の研究では、動脈硬化関連大血管イベント(MACE)のリスクを予測するために、基本てんかん組織(EAT)の評価(ボリュームと平均HU)を用いている。 目的:新規で手作りのEAT特徴である"fat-omics"を作成し、EATの病態を捉え、MACE予測を改善する。 方法: 任意の手動修正を施した事前検証深層学習法を用いてEATを分割した。 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。 結果: 従来の脂肪の特徴は限界予測(EAT-volume/EAT-mean-HU/BMIはC-index 0.53/0.55/0.57)であった。 15のfat-omics機能(c-index=0.69, test set)により有意な改善が得られた。 リスクの高い特徴としては,hu-of-voxels-having-elevated-hu-[-50, -30-hu]とhu- negative-skewnessがある。 その他の高リスクの特徴としては、厚みの不均一性を反映したEAT厚みのクルトーシスや、近位冠動脈近傍の脂肪沈着を強調させるEAT容積があげられる。 カプラン・メイヤーのCox型,高リスク群,低リスク群は高リスク群で,高リスク群は低リスク群の2.4倍であった(P<0.001。 結論: 予備的な知見は,より精巧に調整された,説明可能な食事評価を,心血管リスク予測の改善に活用する機会を示す。

関連論文リスト

• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Multi-Source and Multi-Sequence Myocardial Pathology Segmentation Using a Cascading Refinement CNN [0.49923266458151416]
  心筋組織の生存性を評価するために, セマンティックセグメンテーションを生成するMulti-Sequence Cascading Refinement CNN(MS-CaRe-CNN)を提案する。 MS-CaRe-CNNは、心筋組織の生存可能性を評価するためにセマンティックセグメンテーションを生成するのに適している。
  論文  参考訳（メタデータ） (2024-09-19T14:01:15Z)
• Uncertainty-driven and Adversarial Calibration Learning for Epicardial Adipose Tissue Segmentation [12.748840107754337]
  心膜脂肪組織(EAT)は、大量のアディポカインを分泌し心筋や冠動脈に影響を及ぼすことのできる内臓脂肪の一種である。 より正確なEATボリューム推定のためのセグメンテーションを強化するために,不確実性駆動・対角校正学習を備えた新しい特徴量空間多レベル監視ネットワーク(SPDNet)を提案する。
  論文  参考訳（メタデータ） (2024-02-22T07:39:41Z)
• End-to-end Risk Prediction of Atrial Fibrillation from the 12-Lead ECG by Deep Neural Networks [1.4064206416094476]
  心房細動(英: atrial fibrillation、AF)は、毎年何百万人もの人に影響を及ぼす心不整脈の1つである。 機械学習手法は心電図からAFの発生リスクを評価する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2023-09-28T10:47:40Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• Incremental Value and Interpretability of Radiomics Features of Both Lung and Epicardial Adipose Tissue for Detecting the Severity of COVID-19 Infection [4.772846544299196]
  現在のセグメンテーション法は位置情報を考慮していない。 新型コロナウイルス(COVID-19)の検出は、解釈可能性を制限するEATラジオミクスの特徴に対する厳格な考慮を欠いている。 本研究は、新型コロナウイルス感染症の重症度を検出するために、EATおよび肺からの放射能の特徴を用いることを検討する。
  論文  参考訳（メタデータ） (2023-01-29T03:31:51Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• A novel approach for the automated segmentation and volume quantification of cardiac fats on computed tomography [0.9786690381850356]
  本稿では,2種類の心臓脂肪の自律的分画と定量化のための統一的手法を提案する。 分節脂肪は心外および縦隔と呼ばれ、心膜によって互いに区別される。 提案手法は主に,所望のセグメンテーションを行うための登録アルゴリズムと分類アルゴリズムから構成される。
  論文  参考訳（メタデータ） (2021-12-21T17:38:06Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• 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)

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。