Examination of the performance of machine learning-based automated coronary plaque characterization by near-infrared spectroscopy–intravascular ultrasound and optical coherence tomography with histology
Notice bibliographique
Résumé
Aims: Near-infrared spectroscopy-intravascular ultrasound (NIRS-IVUS) and optical coherence tomography (OCT) can assess coronary plaque pathology but are limited by time-consuming and expertise-driven image analysis. Recently introduced machine learning (ML)-classifiers have expedited image processing, but their performance in assessing plaque pathology against histological standards remains unclear. The aim of this study is to assess the performance of NIRS-IVUS-ML-based and OCT-ML-based plaque characterization against a histological standard. Methods and results: Matched histological and NIRS-IVUS/OCT frames from human cadaveric hearts were manually annotated and fibrotic (FT), calcific (Ca), and necrotic core (NC) regions of interest (ROIs) were identified. Near-infrared spectroscopy-intravascular ultrasound and OCT frames were processed by their respective ML classifiers to segment and characterize plaque components. The histologically defined ROIs were overlaid onto corresponding NIRS-IVUS/OCT frames and the ML classifier estimations were compared with histology. In total, 131 pairs of NIRS-IVUS/histology and 184 pairs of OCT/histology were included. The agreement of NIRS-IVUS-ML with histology [concordance correlation coefficient (CCC) 0.81 and 0.88] was superior to OCT-ML (CCC 0.64 and 0.73) for the plaque area and burden. Plaque compositional analysis showed a substantial agreement of the NIRS-IVUS-ML with histology for FT, Ca, and NC ROIs (CCC: 0.73, 0.75, and 0.66, respectively) while the agreement of the OCT-ML with histology was 0.42, 0.62, and 0.13, respectively. The overall accuracy of NIRS-IVUS-ML and OCT-ML for characterizing atheroma types was 83% and 72%, respectively. Conclusion: NIRS-IVUS-ML plaque compositional analysis has a good performance in assessing plaque components while OCT-ML performs well for the FT, moderately for the Ca, and has weak performance in detecting NC tissue. This may be attributable to the limitations of standalone intravascular imaging and to the fact that the OCT-ML classifier was trained on human experts rather than histological standards.
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 | 0,014 | 0,023 |
| 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 ».