論文の概要: Quantitative coronary calcification analysis for prediction of myocardial ischemia using non-contrast CT calcium scoring

• arxiv url: http://arxiv.org/abs/2605.21745v1
• Date: Wed, 20 May 2026 21:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.995774
• Title: Quantitative coronary calcification analysis for prediction of myocardial ischemia using non-contrast CT calcium scoring
• Title（参考訳）: 非造影CTカルシウムスコアリングによる心筋虚血予測のための定量的冠動脈石灰化解析
• Authors: Juhwan Lee, Sadeer Al-Kindi, Ammar Hoori, Tao Hu, Hao Wu, Justin N. Kim, Robert Gilkeson, Sanjay Rajagopalan, David L. Wilson,
• Abstract要約: 本研究は, 大学病院クリーブランド医療センターにて, 非コントラストCTCSおよびレガデノソン負荷心筋ポジトロン断層心筋灌流法を1年以内に施行した1,375例について検討した。 臨床変数,Agatstonスコア,Ca-Omics特徴を含む74変数について検討した。 日常的に取得した非コントラストCTCSスキャンを用いて心筋虚血を予測するための機械学習手法を開発した。
• 参考スコア（独自算出の注目度）: 5.233186302041333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-contrast computed tomography calcium scoring (CTCS) is widely recognized as an effective tool for cardiovascular risk stratification. This study aimed to develop a novel machine learning framework for predicting myocardial ischemia from routine non-contrast CTCS scans using quantitative coronary calcium assessment. This study analyzed 1,375 patients who underwent both non-contrast CTCS and regadenoson stress cardiac positron emission tomography myocardial perfusion imaging within one year at University Hospitals Cleveland Medical Center. A total of 74 variables, including clinical variables, Agatston score, and calcium-omics features, were evaluated. Relevant features were identified using XGBoost with Shapley Additive exPlanations (SHAP). Predictive models were trained and evaluated using 5-fold cross-validation. Among 987 patients, 89 (9%) were positive for myocardial ischemia. The final model incorporated the Agatston score, eight calcium-omics features, and age. The proposed model achieved a precision of 98.9+/-3.0%, sensitivity of 79.2+/-8.4, and F1 score of 87.7+/-5.3%. The addition of calcium-omics features significantly improved predictive performance compared with models using clinical variables alone or clinical variables with the Agatston score (p<0.05). Interestingly, the number of calcified arteries, despite being the lowest-ranked feature based on SHAP analysis, showed the strongest association with myocardial ischemia in logistic regression analysis (odds ratio: 3.63, 95% confidence interval: 2.80-4.77, p<0.00001). We developed a machine learning approach for predicting myocardial ischemia using routinely acquired non-contrast CTCS scans. Calcium-omics features provided incremental predictive value beyond conventional risk factors and Agatston scoring and may support more accessible cardiovascular risk stratification.
• Abstract（参考訳）: 非コントラストCTCSは心血管性リスク層形成の有効なツールとして広く認識されている。 本研究の目的は,冠カルシウム定量測定を用いた非コントラストCTCSスキャンから心筋虚血を予測するための新しい機械学習フレームワークを開発することであった。 本研究は, 大学病院クリーブランド医療センターにて1年以内に非コントラストCTCSとレガデノソン負荷心筋ポジトロン断層心筋灌流法を施行した1,375例について検討した。 臨床変数,Agatstonスコア,Ca-Omics特徴を含む74変数について検討した。 XGBoostとShapley Additive exPlanations (SHAP)を用いて関連する特徴を同定した。 予測モデルは5倍のクロスバリデーションを用いて訓練および評価を行った。 987例中89例(9%)が心筋虚血に陽性であった。 最終モデルはアガットンスコア、8つのカルシウム-オミクス特徴、年齢を組み込んだ。 提案したモデルは精度98.9+/-3.0%、感度79.2+/-8.4、F1スコア87.7+/-5.3%を達成した。 カルシウムオミクスの添加は臨床変数のみを用いたモデルや臨床変数のアガストンスコア(p<0.05。 興味深いことに, 石灰化動脈の数は, SHAP分析で最も低い値であったにもかかわらず, ロジスティック回帰分析では, 心筋虚血と最も強い相関がみられた(ドーズ比3.63, 95%信頼区間2.80-4.77, p<0.00001)。 日常的に取得した非コントラストCTCSスキャンを用いて心筋虚血を予測するための機械学習手法を開発した。 カルシウム・オミクスの特徴は、従来のリスクファクターやアガットンスコア以上の漸進的な予測値を提供し、よりアクセスしやすい心血管のリスク層化をサポートする可能性がある。

関連論文リスト

• Predicting Coronary Artery Calcium Severity based on Non-Contrast Cardiac CT images using Deep Learning [6.223136363125015]
  冠動脈カルシウム(CAC)スコアリングは動脈硬化性心血管疾患のリスクを高める強力なツールである。 現在のスコアリングは、心臓CT画像の時間集約的な半自動解析を必要とする。 本研究は, 心筋非造影CT画像におけるカルシウムスコアを6つの臨床カテゴリの1つに分類するCNNモデルを開発した。
  論文  参考訳（メタデータ） (2025-11-10T23:38:55Z)
• Imaging-Based Mortality Prediction in Patients with Systemic Sclerosis [50.46938276133494]
  全身性硬化症(SSc)における間質性肺疾患(ILD)の死因 本研究は,放射能と深層学習を利用して死亡率を予測する,新しい大規模胸部CT解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T23:46:57Z)
• Early Prediction of Multi-Label Care Escalation Triggers in the Intensive Care Unit Using Electronic Health Records [1.116791976498254]
  本研究では、ケアエスカレーショントリガー(CET)を予測するマルチラベル分類フレームワークを提案する。 CETは、24時間から72時間のデータに適用されるルールベースの基準を用いて定義される。 我々は85,242 ICUのコーホートで複数の分類モデルを訓練し,評価した。
  論文  参考訳（メタデータ） (2025-09-15T20:40:45Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease [0.0]
  本研究では,術後脳卒中リスクを評価するための高度な機械学習予測モデルを開発し,評価することを目的とする。 データセットには70%のトレーニングと30%のテストがあり、数値は正規化され、カテゴリ変数は1ホットエンコードされた。 ロジスティック回帰、XGBoost、SVM、CatBoostは予測モデルに使われ、SHAP分析は各変数のストロークリスクを評価した。
  論文  参考訳（メタデータ） (2025-03-15T02:50:32Z)
• 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)
• Enhancing cardiovascular risk prediction through AI-enabled calcium-omics [4.035300372916709]
  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。
  論文  参考訳（メタデータ） (2023-08-23T16:05:14Z)
• 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)
• 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)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。