刊登于国际学术期刊《Radiology: Artificial Intelligence》
基于血管CT检查结果，不仅能够诊断冠状动脉疾病，还能预测未来心脏疾病发生风险的深度学习模型已经被开发出来。
19日获悉，Severance医院放射科教授 Heo Jin 研究团队与启明大学东山医院放射科教授 Kim Jinyoung，以及医疗影像人工智能企业 Pentomics 研究团队合作，开发出了用于冠状动脉疾病诊断和预后预测的深度学习模型，并确认了其在实际临床中应用的可能性。
对于因急性胸痛前往急诊室的患者来说，在快速、准确诊断冠状动脉疾病的同时评估其发生心脏疾病的可能性非常重要。为进行这种诊断和风险评估，目前会实施CT血管造影检查，但存在出结果需要较长时间、且读片者不同解读可能存在差异等局限。
研究团队利用人工智能深度学习技术，开发出一种能够自动判读冠状动脉狭窄情况，并根据狭窄程度将其分为正常、非闭塞性（狭窄低于50%）、闭塞性（狭窄50%以上）三组的模型，并对其准确性进行了评估。
该深度学习模型以2018年至2022年间在3家大学医院急诊室接受CT血管造影检查的408名患者数据为学习对象。此外，研究团队采用YOLO架构来提高发现血管狭窄的速度。由于YOLO架构能够同时完成目标位置定位和种类分类，因此具有数据处理速度快的优势。
为验证深度学习模型的有效性，研究团队对全部患者的心脏不良事件发生情况进行了平均2年6个月的追踪观察。结果显示，15%的患者因心肌梗死、不稳定型心绞痛等发生住院或死亡。尤其是闭塞性患者组的事件发生率为38.8%，远高于正常组（0.6%）和非闭塞性组（3.2%）。
研究还显示，在评估未来心脏疾病发生风险时，由深度学习分析得到的闭塞性程度是最有效的指标。当深度学习在既有危险因素基础上加入冠状动脉闭塞性这一变量来分析未来心脏疾病发生风险时，其风险判别能力比仅依靠既有危险因素分析（判别力80%）提高了14%。
Heo Jin 教授表示：“本研究提出了一种可能性，即在快速诊断和治疗决策至关重要的急诊室环境中，深度学习模型不仅可以用于判断是否存在冠状动脉疾病，还可以用于预测患者预后”，“我们确认，人工智能技术可以从单纯的诊断辅助工具，扩展为临床决策支持工具。”
此外，本次研究结果已发表在国际学术期刊《Radiology: Artificial Intelligence》上。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
