AI-derived epicardial fat measurements improve cardiovascular risk prediction from myocardial perfusion imaging
Notice bibliographique
Résumé
Epicardial adipose tissue (EAT) volume and attenuation are associated with cardiovascular risk, but manual annotation is time-consuming. We evaluated whether automated deep learning-based EAT measurements from ungated computed tomography (CT) are associated with death or myocardial infarction (MI). We included 8781 patients from 4 sites without known coronary artery disease who underwent hybrid myocardial perfusion imaging. Of those, 500 patients from one site were used for model training and validation, with the remaining patients held out for testing (n = 3511 internal testing, n = 4770 external testing). We modified an existing deep learning model to first identify the cardiac silhouette, then automatically segment EAT based on attenuation thresholds. Deep learning EAT measurements were obtained in <2 s compared to 15 min for expert annotations. There was excellent agreement between EAT attenuation (Spearman correlation 0.90 internal, 0.82 external) and volume (Spearman correlation 0.90 internal, 0.91 external) by deep learning and expert segmentation in all 3 sites (Spearman correlation 0.90-0.98). During median follow-up of 2.7 years (IQR 1.6-4.9), 565 patients experienced death or MI. Elevated EAT volume and attenuation were independently associated with an increased risk of death or MI after adjustment for relevant confounders. Deep learning can automatically measure EAT volume and attenuation from low-dose, ungated CT with excellent correlation with expert annotations, but in a fraction of the time. EAT measurements offer additional prognostic insights within the context of hybrid perfusion imaging.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,000 |
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 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 ».