論文の概要: Artificial Intelligence-Based Opportunistic Coronary Calcium Screening in the Veterans Affairs National Healthcare System
- arxiv url: http://arxiv.org/abs/2409.09968v1
- Date: Mon, 16 Sep 2024 03:59:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 16:40:52.888263
- Title: Artificial Intelligence-Based Opportunistic Coronary Calcium Screening in the Veterans Affairs National Healthcare System
- Title（参考訳）: 獣医師国家医療システムにおける人工知能を用いた冠状カルシウムスクリーニング
- Authors: Raffi Hagopian, Timothy Strebel, Simon Bernatz, Gregory A Myers, Erik Offerman, Eric Zuniga, Cy Y Kim, Angie T Ng, James A Iwaz, Sunny P Singh, Evan P Carey, Michael J Kim, R Spencer Schaefer, Jeannie Yu, Amilcare Gentili, Hugo JWL Aerts,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.8655790044415911
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronary artery calcium (CAC) is highly predictive of cardiovascular events. While millions of chest CT scans are performed annually in the United States, CAC is not routinely quantified from scans done for non-cardiac purposes. A deep learning algorithm was developed using 446 expert segmentations to automatically quantify CAC on non-contrast, non-gated CT scans (AI-CAC). Our study differs from prior works as we leverage imaging data across the Veterans Affairs national healthcare system, from 98 medical centers, capturing extensive heterogeneity in imaging protocols, scanners, and patients. AI-CAC performance on non-gated scans was compared against clinical standard ECG-gated CAC scoring. Non-gated AI-CAC differentiated zero vs. non-zero and less than 100 vs. 100 or greater Agatston scores with accuracies of 89.4% (F1 0.93) and 87.3% (F1 0.89), respectively, in 795 patients with paired gated scans within a year of a non-gated CT scan. Non-gated AI-CAC was predictive of 10-year all-cause mortality (CAC 0 vs. >400 group: 25.4% vs. 60.2%, Cox HR 3.49, p < 0.005), and composite first-time stroke, MI, or death (CAC 0 vs. >400 group: 33.5% vs. 63.8%, Cox HR 3.00, p < 0.005). In a screening dataset of 8,052 patients with low-dose lung cancer-screening CTs (LDCT), 3,091/8,052 (38.4%) individuals had AI-CAC >400. Four cardiologists qualitatively reviewed LDCT images from a random sample of >400 AI-CAC patients and verified that 527/531 (99.2%) would benefit from lipid-lowering therapy. To the best of our knowledge, this is the first non-gated CT CAC algorithm developed across a national healthcare system, on multiple imaging protocols, without filtering intra-cardiac hardware, and compared against a strong gated CT reference. We report superior performance relative to previous CAC algorithms evaluated against paired gated scans that included patients with intra-cardiac hardware.
- Abstract（参考訳）: 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。
アメリカでは毎年数百万の胸部CTスキャンが実施されているが、CACは非心臓目的のスキャンから定期的に定量化されているわけではない。
CACを非コントラスト非ゲートCTスキャン(AI-CAC)で自動的に定量化するために,446のエキスパートセグメンテーションを用いてディープラーニングアルゴリズムを開発した。
これまでの研究と異なり、医療機関98の医療センターから、画像プロトコル、スキャナー、患者の広範な異質性を捉えながら、獣医省の国立医療システムにまたがる画像データを活用している。
非ゲートスキャンにおけるAI-CAC性能を,臨床標準ECG-gated CACスコアと比較した。
非ゲート型AI-CACは0対0と100対100以上のアガストンスコアを89.4%(F1 0.93)と87.3%(F1 0.89)と区別した。
非ゲート型AI-CACは10年ごとの死亡率(CAC 0 vs. >400 group: 25.4% vs. 60.2%、Cox HR 3.49, p < 0.005)と複合初回脳卒中、MI、死亡率(CAC 0 vs. >400 group: 33.5% vs. 63.8%、Cox HR 3.00, p < 0.005)を予測した。
低用量肺癌検診(LDCT)8,052例のスクリーニングデータセットでは,3,091/8,052例(38.4%)がAI-CAC >400例であった。
4人の心臓科医が400人以上のAI-CAC患者のランダムサンプルからLDCT画像を質的にレビューし、527/531 (99.2%) が脂質低下療法の恩恵を受けることを確認した。
我々の知る限り、これは全国的な医療システムで開発された最初の非ゲートCT CACアルゴリズムであり、複数のイメージングプロトコル上で、心内ハードウェアをフィルタリングすることなく、強力なゲートCT参照と比較する。
心内ハードウェア患者を含むペアゲートスキャンと比較し, 従来のCACアルゴリズムと比較して優れた性能を示した。
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) - 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) - Automated Plaque Detection and Agatston Score Estimation on Non-Contrast
CT Scans: A Multicenter Study [2.4476474544077225]
本研究の目的は,3次元マルチクラスnnU-Netを用いた心臓プラーク自動検出モデルを検証することである。
本研究では,nU-Netセグメンテーションパイプラインを用いて冠状動脈と弁のプラークを検出する方法を示す。
線形補正により、nU-Net深層学習法は胸部非造影CTスキャンでAgatstonスコアを正確に推定することができる。
論文 参考訳（メタデータ） (2024-02-14T20:41:37Z) - Automated Coronary Calcium Scoring using U-Net Models through
Semi-supervised Learning on Non-Gated CT Scans [0.0]
リアルタイムの冠動脈石灰化スコアは、非ゲートCTスキャンではなく、ゲートCTスキャンでのみ計算される。
モデルは非ゲートCTスキャンの予測に用いられ、平均絶対誤差は674.19、バケット分類精度は41%であった。
新たに採取した非ゲートスキャンは、CTスキャンと密接に類似しており、MAE(62.38)では91%、精度は23%向上した。
論文 参考訳（メタデータ） (2022-06-13T20:02:02Z) - Classification of COVID-19 Patients with their Severity Level from Chest
CT Scans using Transfer Learning [3.667495151642095]
新型コロナウイルスの感染拡大を受け、病院のベッドなど医療機器の需要が高まっている。
これを念頭に置いて、私たちは新型コロナウイルスの検出と、胸部CTスキャンとDeep Learning事前訓練モデルを用いて重症度を評価する研究を共有しています。
私たちのモデルは、新型コロナウイルスとその重症度を検出するのに役立ちます。
論文 参考訳（メタデータ） (2022-05-27T06:22:09Z) - 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) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳（メタデータ） (2021-01-19T03:04:09Z) - COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for
Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。
また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文 参考訳（メタデータ） (2020-09-08T15:49:55Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z) - 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。