Accuracy of Artificial Intelligence–Based Automated Quantitative Coronary Angiography Compared to Intravascular Ultrasound: Retrospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: An accurate quantitative analysis of coronary artery stenotic lesions is essential to make optimal clinical decisions. Recent advances in computer vision and machine learning technology have enabled the automated analysis of coronary angiography. OBJECTIVE: The aim of this paper is to validate the performance of artificial intelligence-based quantitative coronary angiography (AI-QCA) in comparison with that of intravascular ultrasound (IVUS). METHODS: This retrospective study included patients who underwent IVUS-guided coronary intervention at a single tertiary center in Korea. Proximal and distal reference areas, minimal luminal area, percent plaque burden, and lesion length were measured by AI-QCA and human experts using IVUS. First, fully automated QCA analysis was compared with IVUS analysis. Next, we adjusted the proximal and distal margins of AI-QCA to avoid geographic mismatch. Scatter plots, Pearson correlation coefficients, and Bland-Altman were used to analyze the data. RESULTS: A total of 54 significant lesions were analyzed in 47 patients. The proximal and distal reference areas, as well as the minimal luminal area, showed moderate to strong correlation between the 2 modalities (correlation coefficients of 0.57, 0.80, and 0.52, respectively; P<.001). The correlation was weaker for percent area stenosis and lesion length, although statistically significant (correlation coefficients of 0.29 and 0.33, respectively). AI-QCA tended to measure reference vessel areas smaller and lesion lengths shorter than IVUS did. Systemic proportional bias was not observed in Bland-Altman plots. The biggest cause of bias originated from the geographic mismatch of AI-QCA with IVUS. Discrepancies in the proximal or distal lesion margins were observed between the 2 modalities, which were more frequent at the distal margins. After the adjustment of proximal or distal margins, there was a stronger correlation of proximal and distal reference areas between AI-QCA and IVUS (correlation coefficients of 0.70 and 0.83, respectively). CONCLUSIONS: AI-QCA showed a moderate to strong correlation compared with IVUS in analyzing coronary lesions with significant stenosis. The main discrepancy was in the perception of the distal margins by AI-QCA, and the correction of margins improved the correlation coefficients. We believe that this novel tool could provide confidence to treating physicians and help in making optimal clinical decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».