Artificial Intelligence–Enhanced Perfusion Scoring Improves the Diagnostic Accuracy of Myocardial Perfusion Imaging
Notice bibliographique
Résumé
We previously demonstrated that a deep learning (DL) model of myocardial perfusion SPECT imaging improved accuracy for detection of obstructive coronary artery disease (CAD). We aimed to improve the clinical translatability of this artificial intelligence (AI) approach using the results to derive enhanced total perfusion deficit (TPD) and 17-segment summed scores. Methods: We used a cohort of patients undergoing myocardial perfusion imaging within 180 d of invasive coronary angiography. Obstructive CAD was defined as any stenosis of at least 70% or at least 50% in the left main coronary artery. We used per-vessel DL predictions to modulate polar map pixel scores. These transformed polar maps were then used to derive TPD-DL and summed stress score–DL. We compared diagnostic performance using area under the receiver operating characteristic curve (AUC). Results: In the 555 patients held out for testing, the median age was 65 y (interquartile range, 57–73 y), and 381 (69%) were male. Obstructive CAD was present in 329 (59%) patients. The prediction performance for obstructive CAD of stress TPD-DL (AUC, 0.837; 95% CI, 0.804–0.870) was higher than AI prediction alone (AUC, 0.795; 95% CI, 0.758–0.831; P = 0.005) and traditional stress TPD (AUC, 0.737; 95% CI, 0.696–0.778; P < 0.001). Summed stress score–DL had the second highest prediction performance (AUC, 0.822; 95% CI, 0.788–0.857) and higher AUC than traditional quantitative summed stress score (AUC, 0.728; 95% CI, 0.686–0.769; P < 0.001). At a threshold of 5%, the sensitivity and specificity of TPD rose from 72% to 79% and from 62% to 70%, respectively. Conclusion: Integrating AI predictions with traditional quantitative approaches leads to a simplified AI approach, presenting clinicians with familiar measures but operating with higher accuracy than traditional quantitative scoring. This approach may facilitate integration of new AI methods into clinical practice.
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 | 0,002 | 0,007 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».