AI-Derived Left Ventricular Mass From Noncontrast Cardiac CT
Notice bibliographique
Résumé
Background: Noncontrast computed tomography (CT) scans are not used for evaluating left ventricle myocardial mass (LV mass), which is typically evaluated with contrast CT or cardiovascular magnetic resonance imaging (CMR). Objectives: The purpose of the study was to assess the feasibility of LV mass estimation from standard, ECG-gated, noncontrast CT using an artificial intelligence (AI) approach and compare it with coronary CT angiography (CTA) and CMR. Methods: We enrolled consecutive patients who underwent coronary CTA, which included noncontrast CT calcium scanning and contrast CTA, and CMR. The median interval between coronary CTA and CMR was 22 days (interquartile range: 3-76). We utilized a no new UNet AI model that automatically segmented noncontrast CT structures. AI measurement of LV mass was compared to contrast CTA and CMR. Results: < 0.001), with a small bias (-9.4). There were no statistical differences between the correlations of LV mass between contrast CTA and CMR or AI and CMR. Conclusions: The AI-based automated estimation of LV mass from noncontrast CT demonstrated excellent correlations and minimal biases when compared to contrast CTA and CMR.
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 ».