Deep learning-based quantification of epicardial adipose tissue volume from non-contrast computed tomography images: a multi-centre study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aims Epicardial adipose tissue (EAT), located within the pericardial sac, has emerged as a biomarker for coronary artery disease (CAD) progression. This study aimed to develop and validate a deep learning-based system for automated EAT volume quantification using non-contrast computed tomography (NCCT) scans from a large, multi-centre, pan-Asian cohort. Methods and results A total of 1243 NCCT patient scans from three centres were used to train and internally validate a deep learning model based on 3D UNet++ architecture for pericardium segmentation, followed by intensity thresholding to derive EAT volume. Epicardial adipose tissue quantification required ∼30 s per scan. The final model was evaluated on an external testing cohort of 160 patients, including 90 non-Asian individuals. In this cohort, AI-predicted EAT volumes showed excellent agreement with expert annotations (r = 0.975; P < 0.0001). The Bland–Altman analysis demonstrated a mean bias of −5.2 cm3with 95% limits of agreement from −25.1 to 14.7 cm3. Among the non-Asian subgroup, model performance remained strong (r = 0.970; bias, −3.2 cm3; limits of agreement, −25.1–18.7 cm3). AI-derived EAT volume was independently associated with obstructive CAD (odds ratio 1.11; 95% confidence interval, 1.04–1.19; P = 0.004), after adjusting for confounders. The global χ2 statistic increased from 81.7 with coronary calcium score alone to 93.3 when EAT volume was added (P = 0.001), indicating improved risk prediction. Conclusion We developed and validated a deep learning system for automated EAT volume quantification from NCCT scans. The model demonstrated high accuracy and generalizability across ethnically diverse populations, supporting its potential for routine EAT assessment and CAD risk stratification. Trial Registration ClinicalTrials.gov Identifier: NCT05509010.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle