論文の概要: Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray

• arxiv url: http://arxiv.org/abs/2403.18756v1
• Date: Wed, 27 Mar 2024 16:56:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 15:59:48.028602
• Title: Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray
• Title（参考訳）: 胸部X線画像を用いた深層学習による鎖骨下動脈硬化の検出
• Authors: Guglielmo Gallone, Francesco Iodice, Alberto Presta, Davide Tore, Ovidio de Filippo, Michele Visciano, Carlo Alberto Barbano, Alessandro Serafini, Paola Gorrini, Alessandro Bruno, Walter Grosso Marra, James Hughes, Mario Iannaccone, Paolo Fonio, Attilio Fiandrotti, Alessandro Depaoli, Marco Grangetto, Gaetano Maria de Ferrari, Fabrizio D'Ascenzo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 86.38767955626179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aims. To develop a deep-learning based system for recognition of subclinical atherosclerosis on a plain frontal chest x-ray. Methods and Results. A deep-learning algorithm to predict coronary artery calcium (CAC) score (the AI-CAC model) was developed on 460 chest x-ray (80% training cohort, 20% internal validation cohort) of primary prevention patients (58.4% male, median age 63 [51-74] years) with available paired chest x-ray and chest computed tomography (CT) indicated for any clinical reason and performed within 3 months. The CAC score calculated on chest CT was used as ground truth. The model was validated on an temporally-independent cohort of 90 patients from the same institution (external validation). The diagnostic accuracy of the AI-CAC model assessed by the area under the curve (AUC) was the primary outcome. Overall, median AI-CAC score was 35 (0-388) and 28.9% patients had no AI-CAC. AUC of the AI-CAC model to identify a CAC>0 was 0.90 in the internal validation cohort and 0.77 in the external validation cohort. Sensitivity was consistently above 92% in both cohorts. In the overall cohort (n=540), among patients with AI-CAC=0, a single ASCVD event occurred, after 4.3 years. Patients with AI-CAC>0 had significantly higher Kaplan Meier estimates for ASCVD events (13.5% vs. 3.4%, log-rank=0.013). Conclusion. The AI-CAC model seems to accurately detect subclinical atherosclerosis on chest x-ray with elevated sensitivity, and to predict ASCVD events with elevated negative predictive value. Adoption of the AI-CAC model to refine CV risk stratification or as an opportunistic screening tool requires prospective evaluation.
• Abstract（参考訳）: エイムズ。 扁平な前頭胸X線上における鎖骨下動脈硬化の認識のための深層学習ベースのシステムを開発する。 方法と結果。 冠動脈カルシウム(CAC)スコア(AI-CACモデル)を予測する深層学習アルゴリズムを, 臨床上の理由から, 460胸部X線(トレーニングコホート80%, 内的検証コホート20%)と胸部X線と胸部CTを併用した一次予防(58.4%, 中央値63[51-74]歳)を用いて開発し, 3カ月以内に施行した。 CACスコアは胸部CTで算出した。 同施設90名を対象に, 時間非依存コホートを用いて検討を行った(外的検証)。 曲線下領域(AUC)で評価したAI-CACモデルの診断精度が主な結果であった。 総合的なAI-CACスコアは35 (0-388) であり、28.9%の患者はAI-CACを持っていない。 CAC>0を同定するためのAI-CACモデルのAUCは、内部検証コホートでは0.90、外部検証コホートでは0.77であった。 感度は両コホートともに92%以上であった。 全身コホート(n=540)では、AI-CAC=0の患者では4.3年後に単一のASCVDイベントが発生した。 AI-CAC>0の患者は、ASCVDイベントのKaplan Meier推定が有意に高かった(13.5%対3.4%、log-rank=0.013)。 結論。 AI-CACモデルは, 胸部X線下動脈硬化を高感度で正確に検出し, 負の予測値の高いASCVD事象を予測する。 AI-CACモデルをCVのリスク階層化を洗練させるか、あるいは機会論的スクリーニングツールとして採用するには、将来的な評価が必要である。

関連論文リスト

• Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
  そこで我々は,新しいAI手法を用いて,デジタル病理と臨床特性に基づく乳癌患者層化試験を開発した。 この検査は15のコホートにまたがる8,161人の乳癌患者のデータを用いて開発・評価された。 その結果、我々のAIテストは精度を向上し、幅広い患者に適用性を高め、治療選択ツールへのアクセスを向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T17:54:29Z)
• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• Artificial Intelligence-Based Opportunistic Coronary Calcium Screening in the Veterans Affairs National Healthcare System [0.8655790044415911]
  冠動脈カルシウム (CAC) は心血管イベントの予測に有用である。 CACを非コントラスト非ゲートCTスキャンで定量化するディープラーニングアルゴリズムを開発した。 非ゲート型AI-CACは10年間の死亡率の予測であった。
  論文  参考訳（メタデータ） (2024-09-16T03:59:01Z)
• Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
  我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。 一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
  論文  参考訳（メタデータ） (2024-08-30T08:57:04Z)
• Experts' cognition-driven ensemble deep learning for external validation of predicting pathological complete response to neoadjuvant chemotherapy from histological images in breast cancer [3.811184252495269]
  専門家の認知駆動型アンサンブル深層学習(ECDEDL)アプローチを提案する。 ECDEDLは乳癌の組織像からNACへのpCR予測に極めて有効であった。
  論文  参考訳（メタデータ） (2023-06-19T09:48:24Z)
• 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)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)

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。