利用计算机断层扫描钙化分数机会性心外脂肪组织评估预测心血管事件的人工智能
内容提要
该文综述心血管影像AI研究,涵盖:非对比CT评估冠周脂肪与MACE关联、AI改进钙化评分、自动分割冠脉并测量心周脂肪、图神经网络预测腹部脂肪、深度学习由胸片生成心包脂肪图像、发布腹部脂肪CT数据集、新钙化表型分类系统,以及利用左心耳几何预测血栓风险。
延伸解读
非对比CT评估冠周脂肪的临床价值
文章指出,通过非对比CT图像可以评估冠周脂肪组织(PCAT)并分析其与主要不良心血管事件(MACE)的关联。这种评估无需碘对比剂,避免了对比剂影响,且成本较低,有望用于心血管风险评估。这为无法接受增强CT的患者提供了替代方案,但需注意PCAT特征可能受取像时间和梗阻性狭窄存在的影响。
AI自动分割与心周脂肪测量进展
研究团队开发了全自动方法,利用nnUNet分割左右冠状动脉并测量心周脂肪。在独立测试集上,右冠状动脉分割Dice为83%,心周脂肪均值衰减-73.81 HU;左冠状动脉Dice为81%,均值衰减-77.51 HU。这是首个全自动测量冠状动脉周围心周脂肪衰减和体积的方法,突显了自动化测量在识别炎症和心脏疾病中的潜力。
钙化表型分类与风险预测新工具
文章提出一种新的钙化表型分类系统及半自动、无损的分类工具,能在动脉粥样硬化组织中区分不同表型。血管钙化是心脏病发作和中风等MACE的重要因素,该分类方法有助于大规模研究识别更可靠的风险指标。同时,AI分析可改善Agatston评分,显示钙组学在风险预测中的有效性。
多模态AI在脂肪评估中的拓展应用
文章涵盖多种AI技术:图神经网络预测腹部脂肪体积,比卷积神经网络更省资源;深度学习从胸片生成心包脂肪图像,可能实现无需CT的评估;AATTCT-IDS数据集包含300个被试者的腹部脂肪CT图像,验证了去噪、分割和影像组学任务。这些进展表明AI正拓展到更便捷的脂肪评估手段。
Q&A
非对比CT如何用于评估冠周脂肪组织与心血管事件风险?
通过分析非对比CT图像,可以定量评估冠周脂肪组织(PCAT)的特征,并确定其与重大不良心血管事件(MACE)之间的关联。这种方法可用于低成本的心血管风险评估,且不受碘造影剂影响。
人工智能如何改进冠状动脉钙化评分?
AI分析可以改善Agatston评分,通过钙组学方法提高风险预测的有效性。
有哪些自动测量冠状动脉周围心周脂肪的方法?
一种全自动方法使用三维全分辨率nnUNet分割左右冠状动脉,然后自动测量心周脂肪均值和体积。在独立测试集上,RCA分割Dice为83%,心周脂肪均值衰减-73.81±12.69 HU;LCA分割Dice为81%,衰减-77.51±7.94 HU。
图神经网络在腹部脂肪预测中有何优势?
图神经网络能准确预测腹部内脏和皮下脂肪组织体积,相比最先进的卷积神经网络,减少了训练时间和所需资源,并可应用于廉价易得的医学表面扫描替代昂贵医学图像。
如何从胸部X射线照片生成心包脂肪图像?
使用专用深度学习模型从胸部X射线照片生成心包脂肪计数图像(PFCIs),生成的图像质量优于单一模型,可能实现无需CT的PFCI评估。
新的钙化表型分类系统有什么作用?
该研究提出了一种新的钙化表型分类系统和半自动、无损的钙化分类工具,能在动脉粥样硬化组织中区分表型,使大规模研究能识别更可靠的心血管事件风险指标。
左心耳几何形状如何用于预测血栓风险?
通过深度学习框架,仅根据患者特定的左心耳几何形状预测与血栓形成风险相关的内皮细胞活化潜力分布,模型在合成和54个真实数据集上训练,平均绝对误差为0.563。