Coronary Artery Stenosis and High-Risk Plaque Assessed With an Unsupervised Fully Automated Deep Learning Technique
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Coronary computed tomography angiography (CCTA) has emerged as a reliable noninvasive modality to assess coronary artery stenosis and high-risk plaque (HRP). However, CCTA assessment of stenosis and HRP is time-consuming and requires specialized training, limiting its clinical translation. Objectives: The aim of this study is to develop and validate a fully automated deep learning system capable of characterizing stenosis severity and HRP on CCTA. Methods: A deep learning system was trained to assess stenosis and HRP on CCTA scans from 570 patients in multiple centers. Stenosis severity was categorized as >0%, 1 to 49%, ≥50%, and ≥70%. HRP was defined as low attenuation plaque (≤30 HU), positive remodeling (≥10% diameter), and spotty calcification (<3 mm). The model was then tested on 769 patients (3,012 vessels) for stenosis severity and 45 patients (325 vessels) for HRP. Results: Our deep learning system achieved 93.5% per-vessel agreement within 1 Coronary Artery Disease-Reporting and Data System (CAD-RADS) category for stenosis. Diagnostic performance for per-vessel stenosis was very good for sensitivity, specificity, positive predictive value, negative predictive value, and area under the curve with: >0% stenosis: 90.6%, 88.8%, 83.4%, 93.9%, 89.7%, respectively; ≥50% stenosis: 87.1%, 92.3%, 60.9%, 98.1%, 89.7%, respectively. Similarly, the per-vessel HRP feature achieved very good diagnostic performance with an area under the curve of 0.80, 0.79, and 0.77 for low attenuation plaque, spotty calcification, and positive remodeling, respectively. Conclusions: A fully automated unsupervised deep learning system can rapidly evaluate stenosis severity and characterize HRP with very good diagnostic performance on CCTA.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle