Automated vessel-specific coronary artery calcification quantification with deep learning in a large multi-centre registry
Notice bibliographique
Résumé
AIMS: Vessel-specific coronary artery calcification (CAC) is additive to global CAC for prognostic assessment. We assessed accuracy and prognostic implications of vessel-specific automated deep learning (DL) CAC analysis on electrocardiogram (ECG) gated and attenuation correction (AC) computed tomography (CT) in a large multi-centre registry. METHODS AND RESULTS: Vessel-specific CAC was assessed in the left main/left anterior descending (LM/LAD), left circumflex (LCX), and right coronary artery (RCA) using a DL model trained on 3000 gated CT and tested on 2094 gated CT and 5969 non-gated AC CT. Vessel-specific agreement was assessed with linear weighted Cohen's Kappa for CAC zero, 1-100, 101-400, and >400 Agatston units (AU). Risk of major adverse cardiovascular events (MACE) was assessed during 2.4 ± 1.4 years follow-up, with hazard ratios (HR) and 95% confidence intervals (CI). There was strong to excellent agreement between DL and expert ground truth for CAC in LM/LAD, LCX and RCA on gated CT [0.90 (95% CI 0.89 to 0.92); 0.70 (0.68 to 0.73); 0.79 (0.77 to 0.81)] and AC CT [0.78 (0.77 to 0.80); 0.60 (0.58 to 0.62); 0.70 (0.68 to 0.71)]. MACE occurred in 242 (12%) undergoing gated CT and 841(14%) of undergoing AC CT. LM/LAD CAC >400 AU was associated with the highest risk of MACE on gated (HR 12.0, 95% CI 7.96, 18.0, P < 0.001) and AC CT (HR 4.21, 95% CI 3.48, 5.08, P < 0.001). CONCLUSION: Vessel-specific CAC assessment with DL can be performed accurately and rapidly on gated CT and AC CT and provides important prognostic information.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».