Prospective deep learning–based quantitative assessment of coronary plaque by computed tomography angiography compared with intravascular ultrasound: the REVEALPLAQUE study
Notice bibliographique
Résumé
AIMS: Coronary computed tomography angiography provides non-invasive assessment of coronary stenosis severity and flow impairment. Automated artificial intelligence (AI) analysis may assist in precise quantification and characterization of coronary atherosclerosis, enabling patient-specific risk determination and management strategies. This multicentre international study compared an automated deep learning-based method for segmenting coronary atherosclerosis in coronary computed tomography angiography (CCTA) against the reference standard of intravascular ultrasound (IVUS). METHODS AND RESULTS: The study included clinically stable patients with known coronary artery disease from 15 centres in the USA and Japan. An AI-enabled plaque analysis was utilized to quantify and characterize total plaque (TPV), vessel, lumen, calcified plaque (CP), non-calcified plaque (NCP), and low-attenuation plaque (LAP) volumes derived from CCTA and compared with IVUS measurements in a blinded, core laboratory-adjudicated fashion. In 237 patients, 432 lesions were assessed; mean lesion length was 24.5 mm, and mean IVUS-TPV was 186.0 mm3. AI-enabled plaque analysis on CCTA showed strong correlation and high accuracy when compared with IVUS; correlation coefficient, slope, and Y intercept for TPV were 0.91, 0.99, and 1.87, respectively; for CP volume 0.91, 1.05, and 5.32, respectively; and for NCP volume 0.87, 0.98, and 15.24, respectively. Bland-Altman analysis demonstrated strong agreement with little bias for these measurements. CONCLUSION: AI-enabled CCTA quantification and characterization of atherosclerosis demonstrated strong agreement with IVUS reference standard measurements. This tool may prove effective for accurate evaluation of coronary atherosclerotic burden and cardiovascular risk assessment.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».