维度网讯，一项发表于《放射学》杂志的回顾性研究表明，基于冠状动脉CT血管成像的深度学习模型，有望实现冠状动脉斑块的全自动量化。该研究由南京医科大学附属南京第一医院放射科的钱晨博士团队完成，研究人员开发并验证了名为PlaqueSegNet的全自动深度学习模型。

研究纳入的训练集包含1,409名患者(平均年龄63岁)，内部验证集包含604名患者(平均年龄63岁)。总队列中61%的患者有稳定型心绞痛，30%有不稳定型心绞痛。在四个外部数据集的验证中，该深度学习模型在斑块体积评估方面与专家读片者及血管内超声评估的组内相关系数一致性均超过90%。具体而言，在配对的冠状动脉CT血管成像与血管内超声样本中，PlaqueSegNet与血管内超声的斑块体积评估一致性为93%，在钙化、非钙化或混合斑块体积方面未观察到显著差异。在与专家读片者对比的亚组中，一致性达到94%，且不同制造商CT扫描仪之间未发现明显差异。

在一个包含10,644名非阻塞性冠状动脉疾病患者的队列中，通过PlaqueSegNet评估的总斑块体积处于最高四分位数的患者，其主要不良心脏事件的调整风险比是最低四分位数患者的2.25倍。钱晨博士及其同事指出：“这些结果强化了全自动斑块体积量化在增强风险分层中的作用，特别是在临床上普遍存在的非阻塞性冠状动脉疾病人群中。”

在另一项包含270名连续冠状动脉CT血管成像检查患者、中位随访3.6年的队列中，深度学习模型检测到的斑块进展对预测主要不良心脏事件的C指数为74%，有斑块进展的患者发生主要不良心脏事件的可能性是2.52倍。研究团队补充道：“据我们所知，我们的研究首次评估了基于深度学习的模型在连续冠状动脉CT血管成像检查中斑块量化的可重复性，并展示了基于深度学习的模型在监测斑块体积变化和指导个体化治疗方面的潜力。”

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com