論文の概要: CARDINAL Predicts Cardiovascular Risk From Non-contrast Cardiac CT
- arxiv url: http://arxiv.org/abs/2608.27690v1
- Date: Thu, 27 Aug 2026 20:26:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.145163
- Title: CARDINAL Predicts Cardiovascular Risk From Non-contrast Cardiac CT
- Title（参考訳）: 非コントラスト心エコーによる心血管障害の予測
- Abstract要約: CARDINAL(カルディナル)は、非コントラスト心電図からのコンパクトな表現を学習するフレームワークである。
10年間、カルディナルは受信機動作特性曲線(AUROC) 0.866 $pm$0.020の領域と精度-リコール曲線(AUPRC) 0.890 $pm$0.015の領域を達成し、AUROC は0.826 $pm$0.023、AUPRC は0.826 $pm$0.022の構造ラジオミクスで達成した。
- 参考スコア（独自算出の注目度）: 0.36116808275150963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiovascular risk prediction remains limited by incomplete clinical data and imaging biomarkers that reduce computed tomography (CT) to a small number of handcrafted features. We developed CARDINAL (Cardiovascular Assessment via Representation learning from Deep Imaging with Nested Anatomical Latent embeddings), a clinically grounded framework that learns compact representations from routine non-contrast cardiac CT for major adverse cardiovascular event (MACE) prediction. In 17,659 patients, CARDINAL was evaluated for 1-, 3-, 5-, and 10-year MACE prediction against American Heart Association (AHA) pooled cohort equations (PCE), AHA predicting risk of cardiovascular disease events (PREVENT), coronary artery calcium (CAC), segmentation-derived CT biomarkers, and 70-feature structural radiomics. Gains were largest at longer horizons. At 10 years, CARDINAL (joint) achieved an area under the receiver operating characteristic curve (AUROC) of 0.866 $\pm$ 0.020 and an area under the precision-recall curve (AUPRC) of 0.890 $\pm$ 0.015, compared with an AUROC of 0.826 $\pm$ 0.023 and an AUPRC of 0.826 $\pm$ 0.022 for structural radiomics, the strongest baseline. CARDINAL also achieved the highest survival concordance index (C-index), 0.753 $\pm$ 0.015, and high-versus-low risk-tertile hazard ratio, 10.78 $\pm$ 3.16, with favorable reclassification and exploratory calibration. These findings suggest that non-contrast cardiac CT contains prognostic information beyond conventional risk equations, CAC scoring, and engineered imaging biomarkers.
- Abstract（参考訳）: 心血管のリスク予測は,CT(Computed tomography)を少数の手技的特徴に還元する不完全な臨床データや画像バイオマーカーによって制限されている。
CARDINAL (Cardiovascular Assessment via Representation learning from Deep Imaging with Nested Anatomical Latent embeddings) は, 心血管障害(MACE)予測のための非造影CTからコンパクトな表現を学習する臨床基盤の枠組みである。
17,659例において,CARDINALは1年,3年,5年,10年のMACE予測において,AHAプールドコホート式(PCE),AHA予測,心血管疾患発生リスク(PREVENT),冠動脈カルシウム(CAC),セグメンテーション由来CTバイオマーカー(CTバイオマーカー),70-feature Structure Radiomicsに対して評価した。
利得は長い地平線で最大だった。
10年間でカルディナルは、受信機動作特性曲線(AUROC) 0.866$\pm$0.020、精度・リコール曲線(AUPRC) 0.890$\pm$0.015、AUROC 0.826$\pm$0.023、AUPRC 0.826$\pm$0.022、最強のベースラインである構造ラジオミクスに対して達成した。
CARDINALは、最高生存率(C-index)、0.015ドル、リスク・テロリスク比10.78ドル\pm$3.16を達成し、再分類と探索校正を好んだ。
以上の結果より,非コントラスト心筋CTは従来のリスク方程式,CACスコア,画像バイオマーカー以上の予後情報を含んでいることが示唆された。
関連論文リスト
- Quantitative coronary calcification analysis for prediction of myocardial ischemia using non-contrast CT calcium scoring [5.233186302041333]
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。
論文 参考訳（メタデータ） (2026-05-20T21:16:52Z) - Improving Risk Stratification in Hypertrophic Cardiomyopathy: A Novel Score Combining Echocardiography, Clinical, and Medication Data [0.3611680827515096]
肥大型心筋症(HCM)は、ICD療法とフォローアップ管理に関する決定を伝達するために、正確なリスク階層化を必要とする。
本研究は、HCM患者の5年間の複合心血管結果を予測するために、堅牢で説明可能な機械学習(ML)リスクスコアを開発する。
HCMのパーソナライズされた臨床管理のための有望なツールである。
論文 参考訳（メタデータ） (2026-03-27T10:22:46Z) - Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。
DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
論文 参考訳（メタデータ） (2025-11-30T12:45:02Z) - Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes [18.45168797720226]
4大冠動脈の重症または完全狭窄を予測できるAI-ECGモデルを開発した。
臨床的に正常なECGサブセットでは,ECG異常以上の異常が認められた。
論文 参考訳（メタデータ） (2025-11-29T05:21:24Z) - Digital Contrast CT Pulmonary Angiography Synthesis from Non-contrast CT for Pulmonary Vascular Disease [11.57034839564871]
CTPA(CTd Tomography lung angiography)は肺血管疾患の診断基準である。
ヨウ素化コントラスト剤への依存は、特に高リスク患者において、腎毒性やアレルギー反応などのリスクを引き起こす。
本研究では,非コントラストCT(NCCT)スキャンからカスケード合成器を用いてDigital ContrastA(DCCTPA)を生成する手法を提案する。
論文 参考訳（メタデータ） (2025-10-24T04:24:49Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - 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) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - 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) - Electrocardiographic Deep Learning for Predicting Post-Procedural
Mortality [9.192239774090208]
深層学習アルゴリズムは、術前の心電図からの波形信号を利用して術後の死亡を判別するために開発された。
深層学習モデルのリスク予測によって高いリスクと判断された患者は、術後死亡率8.83(5.57-13.20)の未調整オッズ比(OR)を持っていた。
新たな深層学習アルゴリズムが術前の心電図に適用されたことにより,術後の死亡率の識別が向上することを示す。
論文 参考訳（メタデータ） (2022-04-30T05:14:53Z) - 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。