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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 tête enseignante, 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 ».