Assessment of atherosclerotic plaque burden: comparison of AI-QCT versus SIS, CAC, visual and CAD-RADS stenosis categories
Notice bibliographique
Résumé
This study assesses the agreement of Artificial Intelligence-Quantitative Computed Tomography (AI-QCT) with qualitative approaches to atherosclerotic disease burden codified in the multisociety 2022 CAD-RADS 2.0 Expert Consensus. 105 patients who underwent cardiac computed tomography angiography (CCTA) for chest pain were evaluated by a blinded core laboratory through FDA-cleared software (Cleerly, Denver, CO) that performs AI-QCT through artificial intelligence, analyzing factors such as % stenosis, plaque volume, and plaque composition. AI-QCT plaque volume was then staged by recently validated prognostic thresholds, and compared with CAD-RADS 2.0 clinical methods of plaque evaluation (segment involvement score (SIS), coronary artery calcium score (CACS), visual assessment, and CAD-RADS percent (%) stenosis) by expert consensus blinded to the AI-QCT core lab reads. Average age of subjects were 59 ± 11 years; 44% women, with 50% of patients at CAD-RADS 1-2 and 21% at CAD-RADS 3 and above by expert consensus. AI-QCT quantitative plaque burden staging had excellent agreement of 93% (k = 0.87 95% CI: 0.79-0.96) with SIS. There was moderate agreement between AI-QCT quantitative plaque volume and categories of visual assessment (64.4%; k = 0.488 [0.38-0.60]), and CACS (66.3%; k = 0.488 [0.36-0.61]). Agreement between AI-QCT plaque volume stage and CAD-RADS % stenosis category was also moderate. There was discordance at small plaque volumes. With ongoing validation, these results demonstrate a potential for AI-QCT as a rapid, reproducible approach to quantify total plaque burden.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».