Interpretation of SPECT wall motion with deep learning
Notice bibliographique
Résumé
OBJECTIVES: We sought to develop a novel deep learning (DL) workflow to interpret single-photon emission computed tomography (SPECT) wall motion. BACKGROUND: Wall motion assessment with SPECT is limited by image temporal and spatial resolution. Visual interpretation of wall motion can be subjective and prone to error. Artificial intelligence (AI) may improve accuracy of wall motion assessment. METHODS: A total of 1038 patients undergoing rest electrocardiogram (ECG)-gated SPECT and echocardiography were included. Using echocardiography as truth, a DL-model (DL-model 1) was trained to predict the probability of abnormal wall motion. Of the 1038 patients, 317 were used to train a DL-model (DL-model 2) to assess regional wall motion. A 10-fold cross-validation was adopted. Diagnostic performance of DL was compared with human readers and quantitative parameters. RESULTS: The area under the receiver operating characteristic curve (AUC) and accuracy (ACC) of DL model (AUC: .82 [95% CI: .79-.85]; ACC: .88) were higher than human (AUC: .77 [95% CI: .73-.81]; ACC: .82; P < .001) and quantitative parameter (AUC: .74 [95% CI: .66-.81]; ACC: .78; P < .05). The net reclassification index (NRI) was 7.7%. The AUC and accuracy of DL model for per-segment and per-vessel territory diagnosis were also higher than human reader. The DL model generated results within 30 seconds with operable guided user interface (GUI) and therefore could provide preliminary interpretation. CONCLUSIONS: DL can be used to improve interpretation of rest SPECT wall motion as compared with current human readers and quantitative parameter diagnosis.
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 ».