2023年5月17日，來自加州大學舊金山分校和加拿大蒙特利爾心臟研究所的研究人員宣布，他們開發(fā)了一種基于深度神經(jīng)網(wǎng)絡的人工智能技術(shù)，可以從冠狀動脈造影視頻中預測心臟泵功能，減少對侵入性的左心室造影的需要。
AI自動評估冠脈造影
據(jù)統(tǒng)計，冠心病是全球成年人死亡的首要原因。作為診斷冠心病的標準程序，無論是藥物處方還是冠狀動脈搭橋手術(shù)，冠狀動脈造影對所有相關(guān)的臨床選擇都有重大影響。
當患者因為可能致命的急性冠狀動脈綜合征（ACS）而接受冠狀動脈造影時，測量左心室射血分數(shù)（LVEF）就顯得尤為重要，因為它可以影響臨床決策和治療方案。左心室是心臟的主要泵送部分，評估該室的射血分數(shù)可以反映每次收縮時有多少血液離開心臟。
目前，要測量冠狀動脈造影期間的LVEF，需要進行一種額外的侵入性程序，即左心室造影，這需要將導管插入左心室并注入造影劑。這種程序不僅增加了對比劑暴露，還帶來了額外的風險。
現(xiàn)在，研究人員開發(fā)了一種用于冠狀動脈造影自動評估的人工智能技術(shù)，以降低風險并最大限度地減少侵入性檢測的需要。
深度神經(jīng)網(wǎng)絡預測心臟泵功能
為了檢驗一種人工智能算法——深度神經(jīng)網(wǎng)絡（DNN）是否能夠從冠狀動脈造影視頻中預測心臟泵功能，加州大學舊金山分校（San Francisco, CA, USA）和蒙特利爾心臟研究所（Montreal, Canada）的研究人員開展了一項新的研究。
他們開發(fā)并測試了一個名為CathEF的深度神經(jīng)網(wǎng)絡，它可以從左冠狀動脈的標準造影視頻中估算左心室射血分數(shù)（LVEF）。
此外，研究者們對3679名UCSF患者的4042例成人造影與相應的經(jīng)胸超聲心動圖（TTEs）進行了匹配，并在此數(shù)據(jù)上進行了一項橫斷面研究。他們還訓練了一個基于視頻的神經(jīng)網(wǎng)絡，用于估計低于或等于40%的LVEF，并從標準造影視頻中預測LVEF百分比。
研究結(jié)果顯示，CathEF能夠準確地預測LVEF，并與常規(guī)的非侵入性臨床方法——超聲心動圖LVEF測量值呈強相關(guān)性。該模型在真實世界的造影中也得到了外部驗證，證明了其在不同的患者人口和臨床條件下的良好表現(xiàn)。這對于那些不太適合進行標準的左心室造影程序的患者群體，如急性冠狀動脈綜合征和腎功能不全的患者，具有重要意義。
為了進一步測試這種算法在護理點的應用，并評估其對心臟梗死患者臨床工作流程的影響，研究人員已經(jīng)啟動了一項多中心前瞻性驗證研究。該研究將在ACS患者中比較CathEF和左心室造影與ACS后7天內(nèi)進行的TTEs之間的表現(xiàn)。
這項研究表明，人工智能技術(shù)有潛力減少侵入性檢測的需要，并提高心臟科醫(yī)生的診斷能力，最終改善患者的預后和生活質(zhì)量。
除了CathEF算法外，還有其他一些人工智能技術(shù)用于自動化冠狀動脈造影圖像分析，例如用于幀選擇、分割、病變評估和冠狀動脈流量功能評估的機器學習模型。
京公網(wǎng)安備11010802046783號
