Artificial Intelligence–based Coronary Stenosis Quantification at Coronary CT Angiography versus Quantitative Coronary Angiography
Notice bibliographique
Résumé
Purpose To evaluate the performance of a new artificial intelligence (AI)–based tool by comparing the quantified stenosis severity at coronary CT angiography (CCTA) with a reference standard derived from invasive quantitative coronary angiography (QCA). Materials and Methods This secondary, post hoc analysis included 120 participants (mean age, 59.7 years ± 10.8 [SD]; 73 [60.8%] men, 47 [39.2%] women) from three large clinical trials (AFFECTS, P3, REFINE) who underwent CCTA and invasive coronary angiography with QCA. Quantitative analysis of coronary stenosis severity at CCTA was performed using an AI-based coronary stenosis quantification (AI-CSQ) software service. Blinded comparison between QCA and AI-CSQ was measured on a per-vessel and per-patient basis. Results The per-vessel AI-CSQ diagnostic sensitivity, specificity, accuracy, positive predictive value, and negative predictive value were 80%, 88%, 86%, 65%, and 94%, respectively, for diameter stenosis (DS) 50% or greater; and 78%, 92%, 91%, 47%, and 98%, respectively, for DS 70% or greater. The areas under the receiver operating characteristic curve (AUCs) to predict DS of 50% or greater and 70% or greater on a per-vessel basis were 0.92 (95% CI: 0.88, 0.95; P < .001) and 0.93 (95% CI: 0.89, 0.97; P < .001), respectively. The AUCs to predict DS of 50% or greater and 70% or greater on a per-patient basis were 0.93 (95% CI: 0.88, 0.97; P < .001) and 0.88 (95% CI: 0.81, 0.94; P < .001), respectively. Conclusion AI-CSQ at CCTA demonstrated a high diagnostic performance compared with QCA both on a per-patient and per-vessel basis, with high sensitivity for stenosis detection. Keywords: CT Angiography, Cardiac, Coronary Arteries Supplemental material is available for this article. Published under a CC BY 4.0 license.
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 | 0,018 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 ».