Deep learning-based epicardial adipose tissue measurement, maximizing prognostic information from attenuation correction imaging
Notice bibliographique
Résumé
Epicardial Adipose Tissue (EAT) volume has been associated with risk of cardiovascular events, but manual annotation is time-consuming and only performed on gated Computed Tomography (CT). We developed a Deep Learning (DL) model to segment EAT from gated and ungated CT, then evaluated the association between EAT volume and death or Myocardial Infarction (MI). We included 7712 patients from three sites, two with ungated CT and one using gated CT. Of those, 500 patients from one site with ungated CT were used for model training and validation and 3,701 patients from the remaining two sites were used for external testing. Threshold for abnormal EAT volume (⪆144mL) was derived in the internal population based on Youden’s index. DL EAT measurements were obtained in ⪅2 seconds compared to approximately 15 minutes for expert annotations. Excellent Spearman correlation between DL and expert reader on an external subset of N=100 gated (0.94, p⪅0.001) and N=100 ungated (0.91, p⪅0.001). During median follow-up of 3.1 years (IQR 2.1 – 4.0), 306(8.3%) patients experienced death or MI in the external testing populations. Elevated EAT volume was associated with an increased risk of death or MI for gated (hazard ratio [HR] 1.72, 95% CI 1.11-2.67) and ungated CT (HR 1.57, 95% CI 1.20 – 2.07), with no significant difference in risk (interaction p-value 0.692). EAT volume measurements provide similar risk stratification from gated and ungated CT. These measurements could be obtained on chest CT performed for a large variety of indications, potentially improving risk stratification.
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 | 0,000 | 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 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 ».