CathAI: Istraživači su izgradili AI koji čita skeniranje srca kao kardiolog

Autori : Robert Avram Jeffrey E. Olgin Zeeshan Ahmed Louis Verreault-Julien Alvin Wan Joshua Barrios Sean Abreau Derek Wan Joseph E. Gonzalez Jean-Claude Tardif Derek Y. So Krishan Soni Geoffrey H. Tison Autori : Robert Avram Jeffrey E. Olgin Željko Ahmed Predsjednik Louis Verreault-Julien Alvin Wan Josip Barrić Sean Otvoren Derek Wan Joseph E. Gonzalez Predsjednik Jean-Claude Tardif Derek Y. Tako Krishan Soni Geoffrey H. Tison Abstrakcija CATHIBARY CATHIBARY CAD angiography je primarni postupak za dijagnozu i upravljanje odlukama u koronarnoj angiografiji (CAD), ali ad hoc vizualna procjena angiograma ima visoku varijabilnost. Ovdje izvješćujemo o potpuno automatiziranom pristupu za tumačenje angiografske udružene angiografske angiografije iz standardnih koronarnih angiograma. Koristeći 13.843 angiografske studije od 11.972 odraslih pacijenata na Sveučilištu u Kaliforniji, San Franciscu (UCSF), između 1. travnja 2008. i 31. prosinca 2019. treniramo neuronske mreže kako bismo izvršili četiri zaporedna potrebna zadatka za automatsku lokaliziranje i procjenu koronarne angiografske stenoze koronarne arterije. Alg Uvod Koronarna bolest srca (CHD) je vodeći uzrok smrti odraslih u Sjedinjenim Državama i diljem svijeta , uzrokovan aterosklerotičnim plakovima koji sužavaju koronarne arterije, također nazvanih koronarna arterijska bolest (CAD). koronarna angiografija postupak je zlatni standard postupak za dijagnosticiranje koronarne arterijske stenoze koji stoga pruža ključne informacije za CAD odluke o liječenju, od medicinske terapije sam po revaskularizaciju s koronarne stente ili obilazak kirurgije Liječnik vizualna procjena ozbiljnosti koronarne stenoze iz angiograma ostaje najčešći, smjernice podržan pristup za procjenu angiografsko sužavanje lumena koronarne arterije , . 1 2 2 3 Međutim, ograničenja vizualne procjene ozbiljnosti koronarne stenoze dobro su opisana i uključuju varijabilnost unutar i između promatrača, predrasude operatora i slabu reproduktivnost. , Varijabilnost u procjeni vizualne stenoze varira od 7.6 do 22.5% , , I dok se kvaliteta slikanja koronarne angiografije poboljšala, varijabilnost još uvijek ostaje i veća je u postavljanju jednog liječnika čitatelja, što je daleko najčešći klinički radni tijek. , Vizualna procjena stenoze može precjenjivati ozbiljnost stenoze u više od četvrtine slučajeva i može pridonijeti neodgovarajućoj operaciji bypasa koronarne arterije u 17% pacijenata i upotrebi stenta u najmanje 10% pacijenata , , , Više standardizirani, reproduktivni pristup tumačenju angiograma i procjeni koronarne stenoze imat će značajan klinički značaj. 4 5 4 5 6 4 7 8 4 5 6 8 Različiti adjuvantni testovi mogu nadopuniti CAD procjenu tijekom koronarne angiografije, kao što je fiziološka procjena , Intravaskularno slikanje , iako većina zahtijeva dodatnu stručnost operatora i korištenje dodatnih katetera, tako se koriste u manje od 10-20% koronarnih angiograma , , Nadalje, određivanje potrebe za adjuvantnim testiranjem i dalje se prvenstveno oslanja na liječničku vizualnu procjenu angiograma tijekom postupka angiografije kako bi se utvrdila srednja ozbiljnost ili veća koronarna stenoza (npr. 40-69 %). Kvantitativna koronarna angiografija (QCA) je tehnika koja pruža analizu angiograma koja omogućuje standardiziranu procjenu stenoze. Međutim, QCA nije u potpunosti automatiziran i zahtijeva ulaz operatora za kalibraciju slike i odabir okvira, što ga u velikoj mjeri preusmjerava na postavke istraživanja. , . 9 10 11 9 11 12 3 13 5 14 Algoritmi umjetne inteligencije (AI), a osobito duboke neuronske mreže, pokazali su sposobnost automatizacije važnih kliničkih zadataka u kardiologiji i intervencijskoj kardiologiji. Naš je cilj razviti i validirati automatizirani pristup za tumačenje koronarnog angiograma, lokalizaciju koronarne arterijske stenoze i procjenu ozbiljnosti iz koronarnih angiograma u stvarnom svijetu. 15 Rezultati Kompletni skup podataka sastoji se od 13.843 studija cjelovitog angiograma (195.195 ukupnih angiografskih videozapisa) od 11.972 pacijenata u dobi od ≥ 18 godina sa Sveučilišta u Kaliforniji u San Franciscu (UCSF), između 1. travnja 2008. i 31. prosinca 2019. Dodatne fig. Prosječna dob bila je 63.5 ± 13.7 godina u punom skupu podataka i 66.7 ± 12.0 u skupu podataka o izvješćima. 1a 1 Pregled CathAI pipeline za automatizirano tumačenje angiograma. Angiogram videozapisi teče od jednog algoritma do sljedećeg kako bi se izvršili 4 kritična zadatka potrebna za automatizirano tumačenje. Primjena CathAI na primjer koronarnog angiograma. Primjer lijevog prednjeg padajućeg arterijskog angiograma s teškom stenozom (proksimalno do srednjeg segmenta) pokazuje napredovanje kroz CathAI sustav kako bi: identificirali angiografsku projekciju, identificirali LCA (lijevo), postavili ograničavajuće kutije oko objekata kao što su stenoza (zoom, srednji), i predvidjeli maksimalnu ozbiljnost stenoze (desno). a b CathAI performanse za klasifikaciju angiografske projekcije kut, anatomske strukture i angiogram objekta lokalizacije Kako bi se klasificirao angiografski kut projekcije, CathAI je postigao frekvencijsko ponderiranu pozitivnu prediktivnu vrijednost (PPV) od 0,90, osjetljivost od 0,90 i F1 rezultat od 0,90 u testnom skupu podataka (Dopunjska tablica). Visoko korišteni kutovi projekcije, kao što su LAO Straight, RAO Straight i LAO Cranial, imali su bolje ukupne performanse. Za razvrstavanje primarne anatomske strukture sadržane u angiogramu, CathAI je postigao frekvencijsko ponderirani PPV od 0,89, osjetljivost od 0,89 i F1 rezultat od 0,89 u testnom skupu podataka (Tabela). CathAI performanse bile su visoke za lijeve i desne koronarne arterije (LCA i RCA, odnosno), koje su primarni angiografski objekti od interesa: PPV i osjetljivost, odnosno, bili su 0,97 i 0,94 za LCA i 0,93 i 0,93 za RCA. 8 1 Nakon što su identificirani videozapisi angiograma koji prvenstveno sadrže LCA i RCA, CathAI je lokalizirao objekte u angiogramu predviđanjem graničnih kutija oko segmenata koronarne arterije, kao što su proksimalni dio koronarne arterije, regije stenoze, stenti i koronarni kateteri. Za mjerenje CathAI performansi za lokaliziranje tih objekata, srednja preciznost (mAP) korištena je za usporedbu predviđenih koordinata s temeljnom istinom za svaki objekt. (Dopunski stolovi CathAI je ispravno lokalizirao 93,3% stenoza koronarne arterije (PPV) u UCSF testnom skupu podataka. 16 9 CathAI performanse za predviđanje ozbiljnosti stenoze Konačni algoritam u CathAI sustavu procijenio je ozbiljnost koronarne arterijske stenoze (Slik. Predviđene procjene ozbiljnosti stenoze bile su prosječne iz svih videozapisa angiograma iz određene studije koja je vizualizirala određeni segment arterije (tzv. "nivo arterije"), odražavajući standardnu kliničku praksu. • Fig. Predviđanje stenoze na razini arterije izvršeno je bolje od predviđanja na razini videozapisa ili slike (Slik. Dodatni stol Za CathAI predviđanje ozbiljnosti stenoze kao kontinuirane postotne stenoze, prosječna apsolutna postotna razlika između AI-stenoze i izvještajne stenoze iznosila je 17,9 ± 15,5% (Tabela). • Dodatni obrazac. Postojala je znatno niža prosječna apsolutna razlika u postotku za RCA u odnosu na LCA (16.4 ± 15.0 u odnosu na 19.0 ± 15.8; 0 001 - stolovi Dodatni stol CathAI je imao umjereno veću AUC kako bi identificirao tešku stenozu u slojevima žena u odnosu na muškaraca [0.890 (95% CI: 0.864–0.923) vs. 0.830 (95% CI: 0.805–0.856) respektivno, Vrijednost za interakciju: 0,02 1B 2 2a 2a 10 2 3 p 2 10 P Receiver Operating Characteristic Curves (ROC) za CathAI predviđanje opstruktivne (</≥70%) koronarne stenoze u testnom skupu podataka. Crna točka: prag AI-stenoze odabran za optimizaciju F1 rezultata u skupu podataka na razini arterije. Crveni križ: Specifičnost kada je osjetljivost fiksna na 80%. Plavi križ: Osjetljivost kada je specifičnost fiksna na 80%. Matrica zbunjenosti za CathAI predviđanje opstruktivne stenoze vs. REPORT-stenoze. UOHI External Validation Dataset-ROC za CathAI predviđanje opstruktivne (</≥70%) stenoze. Crna točka: prag AI-stenoze odabran za optimizaciju F1 rezultata u skupu podataka na razini arterije. Crveni križ: Specifičnost kada je osjetljivost fiksna na 80%. Plavi križ: Osjetljivost kada je specifičnost fiksna na 80%. UOHI External Validation Dataset-Confusion matrix za CathAI predviđanje opstruktivne stenoze u odnosu na stručnjake. AUC područje ispod krivnje, interval povjerenja CI, umjetna inteligencija AI. a b c d Od tih ≥70% stenoza prema REPORT-stenozi, CathAI je pravilno klasificirao 74.5% (95% CI: 70.0-78.4%; 260/349, sl. ); i od tih <70% stenoza po REPORT-stenozu, algoritam 4 klasificirao je 78,1% ispravno (95% CI:76.1–80.1%; 1082/1385). Kada je osjetljivost algoritma 4 za otkrivanje opstruktivne koronarne stenoze fiksirana na 80.0%, njegova specifičnost za otkrivanje opstruktivne stenoze bila je 74,1%; a kada je specifičnost fiksirana na 80.0%, njezina osjetljivost za otkrivanje opstruktivne stenoze bila je 71,6%. CathAI je precjenjivao blage stenoze i podcjenjivao teške stenoze (Dopunjavanje sl. ) i 2B 2 3 Vanjsko potvrđivanje CathAI-a u UOHI skupu podataka Da bismo ispitali vanjsku generalizabilnost, primijenili smo CathAI na 464 slučajno uzorkovana angiograma videa iz UOHI. U 100% UOHI angiograma, Algoritam 2 uspješno je identificirao RCA ili LCA. Dva adjudicatora UOHI suglasna su s lokalizacijom stenoze unutar istog segmenta koronarne arterije u 91.4% ( U ovoj podskupini CathAI lokaliziran stenozu u istom segmentu arterije u 84.5% ( = 360); u svim preostalih 15.5% gdje podsegment arterije nije bio točan, CathAI je dodijelio stenozu ispravnoj koronarnoj arteriji u cjelini (LCA vs RCA). 4 n n Na temelju rezultata istraživanja provedenog na znanstvenim istraživanjima i istraživanjima provedenih na znanstvenim istraživanjima i istraživanjima, procjena stope stenoze među promatračima iznosila je 15,7% ± 14,5%. Za određivanje obstruktivne (</≥ 70%) stenoze, sudionici su se složili da je 16,8% stenoza obstruktivna ( = 78). Izračunali smo aritmetički prosjek postotka stenoze od dva adjudicatora kako bismo ga usporedili s CathAI-ovom predviđanjem ozbiljnosti stenoze.U usporedbi s tim, CathAI-ova AUC za opstruktivnu stenozu (≥70%) bila je 0,869 (95% CI: 0,830-0,907; Figs. , Osjetljivost je bila 86,4%, a specifičnost 67,3%. Prosječna apsolutna razlika u postotku između AI-stenoze i postotka stenoze prosječno od dva adjudicatora iznosila je 18.02% ± 11.02%. U UOHI skupu podataka, CathAI je trebao ~3–5 s za analizu angiografskog videa, ili 35 s za potpuni ispit, koristeći GPU Nvidia GTX 1080 Ti. n 2C 3 2D Glavni rezultati za unutarnju validaciju University of California, San Francisco (UCSF) i vanjsku validaciju University of Ottawa Heart Institute (UOHI) prikazani su za svaku od 4 zadatka. Ponovno osposobljavanje CathAI-a za predviđanje QCA Stenoze Sastav podataka RCT QCA sastoji se od 709 pacijenata s 858 ispitivanja (1384 stenoze; 18 teških ≥70%, 71 teških ≥50% ali <70% i 1295 ne-teških). = 1384) stenoze (67,2% za LCA i 86,8% za RCA). prosječna ozbiljnost stenoze kako je procijenila QCA bila je 31,7 ± 11,6% (Dopunski lik. S obzirom na različitu populaciju pacijenata u skupu podataka RCT QCA s uglavnom blagim CAD i QCA adjudication kriterijima (≥50% QCA stenoza) umjesto vizualne procjene, skup podataka RCT QCA pružao je priliku za prekvalifikaciju CathAI za predviđanje QCA označenih stenoza, za razliku od vizualno procijenjenih stenoza. ) i za QCA stenozu ≥70%, AUC je bila 0,75 (95% CI: 0,570-0,930). Prosječna razlika u stenozi između CathAI-predviđene stenoze i QCA-procijenjene stenoze bila je 6,5 ± 5,5% u testnom skupu podataka. n 5 11 Korištenje neuronske mrežne objašnjivosti za razumijevanje CathAI performansi Kako bismo bolje razumjeli elemente unutar angiograma koji su doprinijeli CathAI predviđanjima, primijenili smo dva pristupa objašnjenosti na potpuno obučene CathAI algoritme. naglašava regije slike koje su najkritičnije za CathAI prognozu, pokazujući da je koristio regije poput kardiologa, kao što je lijeva prednja spuštajuća arterija za identifikaciju LCA slika (Slika. Također smo izvukli mape izloženosti za CathAI predviđanje ozbiljnosti stenoze pomoću metode Layer Ordered Visualization of Information (LOVI) Izraženi pikseli (Fig. • Dodatni obrazac. Ne samo da su bili ograničeni na stenozirane arterijske segmente, već i na normalne segmente i piksele neposredno susjedne s arterijom, što sugerira da odnos između stenoziranih i ne-stenoziranih arterijskih segmenata doprinosi CathAI-ovoj predviđanju ozbiljnosti stenoze. 17 4a 18 4B 6 GradCAM primijenjen na CathAI klasifikaciju primarne anatomske strukture. Prikazane su dvije originalne slike angiograma (lijevo), zajedno s odgovarajućim slikama koje je istaknuo GradCAM (desno) pokazujući područja od veće važnosti za algoritamske odluke. GradCAM-pojačane površine usredotočene su oko lijeve koronarne arterije unutar slike angiograma, s plavom bojom koja ukazuje na najmanju važnost, žutom bojom koja ukazuje na srednju važnost i crvenom bojom koja ukazuje na najveću važnost za CathAI algoritam 2. LOVI Saliency Maps of CathAI predviđanje ozbiljnosti koronarne stenoze. Originalne slike angiograma (vrh) i odgovarajuće slike s LOVI karticama (dno). Bijeli pikseli predstavljaju veći doprinos CathAI-ovoj (algoritam 4) predviđanju, pokazujući da je algoritam 4 u većini slučajeva usmjeren na piksele u blizini regije koronarne arterijske stenoze. a b rasprava Opisali smo razvoj i validaciju CathAI kanala koji se sastoji od četiri algoritma i pokazao značajan napredak u automatiziranoj analizi koronarnih angiograma. Svaki algoritam postigao je specifičan zadatak koji je olakšao postizanje primarnog dijagnostičkog cilja koronarne angiografije – procjenu ozbiljnosti koronarne arterijske stenoze – postizanjem state-of-the-art performansi za svaki zadatak. Važno je da je CathAI bio generalizabilan, bez dodatne obuke, kako bi predvidio vizualno procijenjene stenoze iz ne-kuriranih stvarnih UOHI angiograma, zasebnog medicinskog sustava u različitoj zemlji. CathAI je također uspješno prekvalificiran kako bi predvidio QCA stenoze procjene u tre Prethodni rad je zabilježio neuronske mreže koje obavljaju pojedinačne zadatke u eksperimentalnim postavkama povezanima s analizom angiograma kao što je ekstrakcija okvira , predviđanje stenoze iz (manualno odabranih) RCA slika , , , , , , Segmentacija koronarnih posuda , Identifikacija stenoze Međutim, prema našem znanju, potpuno automatizirana analiza i predviđanje stenoze za videozapise o koronarnom angiogramu još nije dokazano na angiograma u stvarnom svijetu. , , , , , , vjerojatno zato što ima znatno manju anatomsku varijabilnost i složenost u usporedbi s LCA-om, smanjujući poteškoće analiziranja RCA angiograma. Međutim, pristupi obučeni na unaprijed odabranim RCA angiograma ne mogu analizirati skupove podataka u stvarnom svijetu, koji uključuju ne-RCA i ne-koronarne arterijske videozapise. U nedavnom naporu Du et al. analizirali su pojedinačne okvire iz oba LCA i RCA angiograma kako bi lokalizirali koronarne segmente i stenozu , ali nije predvidio ozbiljnost stenoze, što je kritična komponenta.Naš rad unapređuje najmodernije stanje koje se može generalizirati na vanjske angiograme u stvarnom svijetu i odražavajući standardno preporučenu smjernicu o skrbi za procjenu "najgoreg pogleda" , Budući da je koronarna angiografija ključna za sve kliničke odluke o CHD , Odstupanje CathAI-ovih predviđanja od vizualne procjene ljudskih stručnjaka bilo je dobro unutar, a često manje od, uobičajeno prijavljene varijabilnosti među promatračima , , , , ; dok je CathAI-ovo prekvalificirano odstupanje QCA bilo 6,5 ± 5,5% u skupu podataka RCT QCA, što je znatno niže od razlike od 10,2–16,6% između vizualne procjene liječnika i QCA-a prijavljene u literaturi. 19 19 20 21 22 23 24 25 26 27 28 19 20 21 22 23 24 25 28 2 3 2 3 4 5 6 7 29 5 Automatizirana analiza angiograma ima veće sličnosti s percepcijskom stranom tehnologije "samovozećeg automobila" nego sa standardnom radiološkom analizom (tj. X-zrake), s obzirom na angiograme visoko varijabilne, operatorom određene video akvizicije i niz složenih zadataka koji su potrebni za analizu. Uspješna analiza angiograma u stvarnom svijetu zahtijeva da AI sustav obrađuje bilo koju vrstu videa s kojima se susreće tijekom postupaka u stvarnom svijetu, identificira relevantne slike, a zatim točno lokalizira važne objekte. , , , , , , , pruža dokaz o konceptu da višestruki algoritmi dubokog učenja mogu prevladati prepreke koje su do sada spriječile potpuno automatiziranu analizu angiograma. Višestruki podaktivnosti koje CathAI obavlja na putu do konačne predviđanja stenoze pružaju čvrstu osnovu za podršku mnogih budućih dodatnih zadataka koji se temelje na bilo kojem podaktivnosti CathAI-a, kao što su predviđanje ispod širenja stenta, morfologija aterosklerotske ploče ili frakcijska rezerva protoka iz kontrastnih uzoraka protoka. CathAI se može lako prilagoditi dodatnim zadatcima. Kao i tehnologija samovozećih automobila, međutim, ostaje mnogo posla kako bi se postigla vrlo visoka točnost prije nego što je CathAI „klinički spreman“, s obzirom na , Bez sumnje, dodatna poboljšanja u svakom od pojedinačnih algoritama CathAI-a vjerojatno će biti potrebna prije kliničke implementacije, što se može postići, na primjer, povećanjem veličine skupova podataka anotiranih od strane stručnjaka ili osposobljavanjem namijenjenih algoritama za specifične poglede (kao što je RCA-LAO samo algoritam lokaliziranja arterija). 19 20 21 22 23 24 25 28 2 3 Najprije klinička implikacija raspoređivanja cijevi poput CathAI-a bila bi povećanje standardizacije u procjeni koronarne stenoze. , , , , i između 10-17% u odnosu na QCA zlatni standard , izravno utječući na odluke za život spašavajuće CHD revaskularizacijske terapije. Mnogobrojne studije su dosljedno prijavile pretjeranu procjenu stenoze kroz vizualnu procjenu , , Jedna studija je ponovno ocijenila kliničke angiograme od strane višestrukih čitatelja, izvijestivši da se preporuka za operaciju koronarnog bypasa promijenila s „potrebnog/prikladnog” na „neizvjesno/neprimjereno” u 17-33% slučajeva, uključujući 10% slučajeva za stent plasmana. Ova studija predloženo je obavljanje druge neovisne interpretacije angiograma prije revaskularizacije, iako je to općenito nemoguće i nije klinički standard skrbi s obzirom na kliničke intervencijske kardiološke radne tokove. Međutim, CathAI bi mogao lako obavljati ovu funkciju na automatizirani, reproduktivan način kako bi pružio predviđanja u gotovo realnom vremenu tijekom postupka kako bi dopunio vlastitu ad hoc dijagnozu liječnika. Međutim, budući da je CathAI osposobljen s istim pristranim vizualno procijenjenjenim stenozama, također ima tendenciju pretjerivati stenoze. 4 5 6 7 29 5 5 6 8 4 4 Neke nedavne studije su sugerirale da mogu postojati spolne razlike u procjenama stenoze, gdje stenoze imaju tendenciju da se precjenjuju kod žena. Da bismo istražili može li CathAI pomoći u smanjenju ove predrasude u procjeni stenoze među spolovima, usporedili smo performanse algoritma 4 između muškaraca i žena u našem internom skupu podataka. Naša analiza je otkrila malu, ali značajnu razliku između performansi algoritma u slojevima muškaraca i žena. 30 Usporedbeći, RCT QCA dataset predstavlja ne samo jednu različitu metodu adjudiciranja glavnog seta podataka RCT-a (u većini UCSF kliničkih angiograma, kao što je uobičajeno u kliničkoj praksi, koronarne stenoze ≤50% su jednostavno opisane kao "non-obstruktivna stenoza" zbog procjene neuspjeha i nije dao procjenu; u suprotnosti, AIi ± QCA vizualno razlikuje vrijednosti u svim slučajevima. To je dokazano potvrđivanjem QCA-a u prethodnim slučajevima identifikacije 78.5% od stenoze koje su potrebne za analizu pre-CTA-a u usporedbi s analizom koja je prikazana u malom kliničkom skupu UCM-a na razmatranje razlike Takav laboratorijski procjena ima nekoliko ograničenja. Znatno ograničenje proizlazi iz naše uporabe etiket za obuku dobivenih tijekom rutinske kliničke skrbi pomoću liječničke vizualne procjene. Zbog resursa-intenzivne prirode generiranja velikog broja kardioloških bilješki za angiografske slike, kako bi se postigao najveći skup podataka za obuku CathAI za stenozu ozbiljnosti, koristili smo klinički generirane vrijednosti REPORT-stenoze koje su bile dostupne u velikim brojevima. Iako su te generirali pod-specialistički osposobljeni budući intervencijski kardiolozi na UCSF-u, oni vjerojatno još uvijek pokazuju varijabilnost svojstvenu bilo kojem klinički generiranom etiketama. Takva varijabilnost u obujmu i Cilj je ove studije bio pokazati „gradbene blokove” potrebne za automatsko tumačenje koronarnih angiograma, a ne nužno zamijeniti trenutačni klinički standard za tumačenje angiograma. Da bi se postigla ta posljednja, vjerojatno će biti potreban znatan ljudski napor za označavanje velikih skupova podataka s preciznim metodama. Nadalje, u ovu verziju CathAI-a uključili smo samo glavne epikardijske posude. 31 U zaključku, CathAI je prvi višestupanjski potpuno automatizirani analitički kanal za koronarne angiograme. CathAI postiže najmodernije performanse za svaki zadatak potreban za tumačenje angiograma u stvarnom svijetu, vanjski je valjan i pruža osnovu za buduće zadatke u automatiziranoj angiografskoj interpretaciji. Metode Istraživanje sudionika i studiranje skupova podataka Za naš Puni skup podataka, dobivali smo retrospektivne, de-identificirane koronarne angiografske studije od svih pacijenata od 18 godina ili starijih sa Sveučilišta u Kaliforniji, San Francisco (UCSF), između 1. travnja 2008. i 31. prosinca 2019. (Dopunski lik. Pacijenti bez videozapisa lijeve ili desne koronarne arterije bili su isključeni. Angiogrami su dobiveni pomoću sustava Philips (Koninklijke Philips N.V., Amsterdam, Nizozemska) i Siemens (Siemens Healthineers, Forchheim, Njemačka) na 15 sličica u sekundi koristeći kontrast Iopromide. 1 To maximize the manual labeling efforts required to generate training data for each Algorithm, we generated an “extracted Full dataset” by first automatically identifying the frames within the video that likely contained peak-contrast by calculating the structural similarity index measure (SSIM) from the frame in position ‘0’ where no dye is usually present, which we called the “reference” frame. SSIM is higher if images have similar pixel values and lower if there is greater difference. The frame with the lowest similarity index from the reference frame was selected as most likely containing peak-contrast (e.g. when the artery is full of contrast). Up to 8 frames were then extracted from each video by retaining the reference frame, the peak-contrast frame and the 3 frames immediately preceding and following the peak-contrast frame. This is referred to as the “extracted” Full Dataset frames ( = 1,418,297). Svi okviri videa pretvoreni su u slike veličine 512*512 piksela za algoritamsku analizu. n Za sve algoritme, osim za algoritam 3, podaci su raspodijeljeni slučajno za svaki algoritam u skupove podataka za obuku (70%), razvoj (10%) i test (20%), svaki od kojih sadrži pacijente koji se ne preklapaju. , . 16 32 Oznake algoritma 1 uzete su izravno iz DICOM metapodataka koji opisuju kranialno-kaudalne i LAO-RAO orijentacije. Dodatni stol , i Za algoritam 4 stenoze su uzete izravno iz postupovnog izvješća. 8 1 2 3 Izvješće Dataset Ubrzo nakon postupka, intervencijski kardiolozi obično tumače angiogram pomoću vizualne procjene, prema standardnoj kliničkoj praksi, i opisuju ozbiljnost koronarne stenoze u izvješću o postupku. Identificirali smo 9782 koronarne stenoze u arterijskim segmentima (REPORT-stenoze) i identificirali 1766 ne-stenoziranih cjelovitih posuda, što je rezultiralo ukupno 10 088 ne-stenoziranih segmenata posuda, dobivenih od 84 153 slika. Metapodatci su izvučeni iz svakog videozapisa angiograma, uključujući datum postupka, primarni (Right Anterior Oblique [RAO]/Left Anterior Oblique [LAO]) i sekundarni (cranio-caudal) kutovi rotacije, jedinstveni identifikator ispitivanja i jedinstveni identifikator pacijenta. Neusklađene REPORT-stenoze uklonjene su iz skupa podataka. Također smo isključili videozapise u kojima je intrakoronarna vodič prisutna u više od 4 okvira, kao što je automatski određeno algoritmom 3 (6,076 videozapisa, 41,780 stenoznih okvira identificiranih s vodičima), budući da ti videozapisi vjerojatno predstavljaju perkutane koronarne intervencije koje bi mogle promijeniti postotak ); videos were retained from studies prior to the insertion of an intracoronary guidewire. 3 1 1 Metode parkiranja teksta Slobodni tekst iz postupovnog izvješća najprije je segmentiran pomoću komada (“,”) ili razdoblja (“.”). Zatim smo primijenili metode analize teksta kako bismo identificirali različite koronarne segmente (Dopunjska tablica) Kada je pronađen koronarni segment, identificirali smo bilo koji opis odgovarajućeg postotka stenoze lokaliziranjem "%" i najbližeg broja od jednog do tri broja u toj rečenici. U početku smo pretraživali pomoću standardnih pojmova (kao što je "desna koronarna arterija"), a zatim smo proširili ključne riječi ručnim pregledom teksta, preko višestrukih iteracija, uključujući najčešće skraćenja, alternativna pisma i permutacije (kao što je "RCA"). Kvalitativni opisi obstruktivnog CHD-a, kao što su "mala", "umjerena" ili "teška" bolest nisu izvučeni. Nadalje, tražili smo ključne riječi kao što su "trombus", "obstrukcija" ili "okluzija" u ). We did not analyze chronic total occlusions and stenoses in diagonals, marginals, septals, ramus, left posterior descending artery, left posterolateral or in bypass grafts. 3 3 Istraživanje ljudskih subjekata Ova studija je pregledala University of California, San Francisco Institutional Review Board i potreba za informiranim pristankom je odbijena. Algorithm development CathAI sustav se sastoji od 4 algoritma neuronske mreže organiziranih u cjevovodu (Slika. Angiografske slike se analiziraju svakim algoritmom i "potječu" sekvencijalno na sljedeće kako bi se ostvarile četiri temeljna zadatka za automatiziranu analizu angiograma: (1) klasifikacija ugla angiografske projekcije; (2) klasifikacija primarne anatomske strukture angiograma; (3) lokalizacija relevantnih objekata unutar angiograma, uključujući podsegmente koronarne arterije i stenoze; (4) predviđanje ozbiljnosti koronarne arterije (kao postotak sužavanja arterije). 1a Kao sažetak na visokoj razini, algoritam 1 prihvatio je pojedinačne slike (koronarne angiograme video okvire) kao ulaz i identificirao angiografski kut projekcije koji je opisan od strane LAO-RAO i cranial-caudal osi (LAO cranial, RAO caudal, itd); oznake su bile dostupne iz metapodataka svakog videa. ), budući da je uobičajeno snimati videozapise angiograma koji sadrže ne-srčane anatomske strukture kao što su aorta ili femoralna arterija. Algoritam 2 omogućio je CathAI-u da se naknadno usredotoči samo na videozapise angiograma koji prvenstveno sadrže lijeve i desne koronarne arterije (LCA i RCA, odnosno). Algoritam 3 lokalizirao je relevantne objekte unutar slika LCA i RCA ispuštanjem koordinata granica za identificirane objekte (Dopunski video). Lokacija stenoze koronarne arterije dodijeljena je prema najvećem preklapanju između dva algoritma 3-predviđene granice granice podsegmenta koronarne arterije i stenoze (Slika. Algoritam 4 prihvatio je slike izrezane oko kamenih arterijskih segmenata (Algorithm 3 ograničavajućih kutija) i predvidio maksimalni postotak stenoze unutar slike kao kontinuiranu vrijednost između 0 i 100 za svaku sliku. 2 1B Algoritam 1: klasifikacija angiografskog ugla projekcije Algoritam 1 prihvatio je pojedinačne slike (video okvire) kao ulaz i identificirao angiografski kut projekcije koji se koristi. kut projekcije odnosi se na fluoroskopski kut koji se koristi za dobivanje slike, općenito opisan na dvije osi definirane LAO-RAO i cranial-caudal (LAO cranial, RAO caudal, itd). Za podatke o osposobljavanju Algoritma 1, sve slike iz izvlačenog Cjelokupnog skupa podataka bile su kategorizirane u 12 kategorija lijevo-desno i kranio-caudal kutova projekcije na temelju primarnih i sekundarnih kutova izvlačenih iz metapodataka svakog videa (–180 i 180 stupnjeva za primarni kut i −50 i 50 stupnjeva za sekundarni; Dodatna tabela ). We then split the extracted Full Dataset into training (990,082), development (128,590) and test datasets (299,625). 1 Arhitektura algoritma 1 temelji se na Xception-u, konvolucijskoj neuronskoj mreži koja je postigla najmodernije performanse pri zadatcima prepoznavanja slika. Inicijaliziran je s težinama ‘ImageNet’ , kao što je uobičajeno učinjeno za inicijaliziranje težina za bržu konvergenciju algoritma u postavkama za razvrstavanje slika; svi su slojevi bili trenabilni. slike su povećane slučajnim zoomom (raspon = 0,2) i rotacijom rezanja (raspon = 0,2). Razvojni skup podataka korišten je za iterativno usporedbu performansi algoritma i hiperparametara finog toniranja pomoću pretraživanja mreže (Dopunjska tabela) Mi smo eksperimentirali s različitim arhitekturama kao što su VGG-16, ResNet50 i InceptionNet-V3, ali nismo pronašli povećanu korist u odnosu na Xception. Pretraga mreže korištena je za finiranje hiperparametara. Testni skup podataka uopće se nije koristio tijekom obuke i koristio se samo za izvješćivanje o konačnoj učinkovitosti. Najčešća predviđanja na izvlačenim okvirima svakog videa bila su dodijeljena kao angiografska projekcija tog videa; veze su riješene odabirom projekcije s najvišom prosječnom vjerojatnošću u svim okvirima. Koristili smo težine algoritma 1 kao „jedinstvenog modela” kako bismo inicijalizirali težine za obuku naknadnih algoritama na temelju Xception arhitekture. 33 34 5 Algoritam 2: klasifikacija primarne anatomske strukture Algoritam 2 usmjeren na identifikaciju primarne anatomske strukture prisutne u angiografskom videu (Dopunjska tablica) ), budući da je uobičajeno snimati videozapise angiograma koji sadrže ne-srčane anatomske strukture kao što su aorta ili femoralna arterija tijekom postupka.Da bismo generirali podatke o osposobljavanju algoritma 2, slučajno smo odabrali 14.366 slika iz izvlačenog Cijele baze podataka, a kardiolog je svaku sliku kategorizirao u jednu od 11 klasa koje opisuju primarnu anatomsku strukturu (Dopunjska tablica) ). This dataset was split into Training/Development/ Test datasets, containing 9887 (70%), 1504 (10%), and 2975 (20%) images, respectively. We trained Algorithm 2 using the Xception architecture, initialized weights from trained Algorithm 1, and tuned hyper-parameters (Supplementary Table Slike su povećane slučajnim zoomom (raspon = 0,2) i rotacijom rezanja (raspon = 0,2). Predviđena primarna anatomska struktura videa bila je predviđanje načina svih izvedenih Full Dataset okvira. F1 ocjene i performanse modela variraju ovisno o anatomskoj klasi, ali u općim razredima s manjim okvirima imali su niže performanse (Dopunski lik. ), sugerirajući mogućnost poboljšanja performansi ako bi bili dostupni više označenih podataka. 2 2 5 1 3b Algoritam 3: lokalizacija objekata angiograma Algoritam 3 bio je usmjeren na lokaliziranje relevantnih objekata unutar slika lijeve i desne koronarne arterije (izlazak Algoritma 2). ), zadaci najkritičniji za CathAI pipeline bili su (i) identifikacija koronarnih arterijskih segmenata, (ii) identifikacija stenoz (ako je prisutan) i (iii) lokalizacija drugih relevantnih objekata kao što su vodiči ili sternotomija. Da bi se generirali podaci o osposobljavanju za algoritam 3, 2338 kontrastnih slika LCA i RCA s i bez stenoze (kao što je identificirano algoritmom 2) bilježio je kardiolog koji je postavio ograničavajuće kutije oko svih relevantnih objekata na slici (Dopunjska tablica). U 100% od 2338 okvira, LCA ili RCA bila je primarna anatomska struktura sadržana, a arterija je bila dobro vizualizirana, dobro opacificirana, a ne iscrpljena, prema anotacijskom kardiologu. 3 3 U našoj završnoj CathAI pipeline smo trenirali dvije verzije Algoritma 3: Algoritam 3a bio je treniran i prihvatio i LCA i RCA slike kao ulaz. Budući da je RCA u LAO projekciji sadržavao najveći broj anotiranih slika u našem skupu podataka, mi smo također trenirali poseban Algoritam 3b na ovoj projekciji kako bi demonstrirali moguće dobitke performansi od fokusiranja algoritma na određenu arteriju/projekciju (RCA u LAO). Da bismo trenirali Algoritme 3a/b, podijelili smo naše označene slike za ovaj zadatak u dva zasebna skupa podataka: jedan koji sadrži lijeve/desne koronarne arterije (2,338 slika) i jedan koji sadrži RCA slike u LAO projekciji (450 slika). Svaki je skup podataka naknad Algoritmi 3a/b koristili su RetinaNet arhitekturu i bili su obučeni koristeći originalne hiperparametre RetinaNet je postigao najmodernije performanse za lokalizaciju objekata kao što je detekcija pješaka za samovozeće automobile Budući da su neki segmenti arterija u određenim angiografskim projekcijama poznati da su a priori skraćeni ili nisu vidljivi, primijenili smo post-hoc heuristiku kako bismo isključili određene segmente arterija predviđene algoritmom 3a/b iz angiografskih projekcija kako je predviđeno algoritmom 1 (Dopunjska tablica). To stoga predstavlja spajanje intermedijarnih predviđanja iz dva CathAI algoritma cijevi kako bi se postigla klinički relevantnija cjelokupna performansa cijevi.Da bi se procijenila performansa algoritma 3a/b, predviđene koordinate usporedile su se s koordinatama temeljne istine koristeći omjer područja raskrižja nad područjem unijena (takozvano Intersection-over-union [IoU]) Još jednom, mjerili smo prosječnu preciznost (mAP), koja predstavlja omjer istinskih pozitivnih nad istinskim i lažnim pozitivnim na različitim pragovima IoU-a, za svaku klasu. MAP od 50% uspoređuje sa najmodernijim rezultatima za ovu vrstu zadatka , . 16 35 4 36 37 16 35 Algoritam 4: predviđanje postotka stenoze koronarnih arterija Algoritam 4 je razvijen kako bi predvidio ozbiljnost stenoze koronarne arterije kao postotak, s obzirom na ulazne slike izrezane oko stenoziranih arterijskih segmenata identificiranih Algoritmom 3. Algoritmi 3a/b su pokrenuti na svim videozapisima Report dataset kako bi se lokalizirali arterijski segmenti i stenoze. Svi okviri koji su sadržavali stenozu ograničavajuću kutiju koja se preklapala s koronarne arterije ograničavajućom kutijom s IoU ≥0.20 sadržavali su potencijalne ulazne okvire za Algoritam 4. A stenoza je lokalizirana na arterijski segment koji je Algoritam 3 identificirao koji je imao najveće preklapanje s IoU. Da bismo izvukli Usporedene procjenjive vrijednosti izvješća služile su kao oznake za obuku algoritma 4 s ulaznim slikama izrezanim oko stenoziranih arterijskih segmenata prema granicama algoritma 3a/b. Neusklađene stenose uklonjene su iz našeg skupa podataka. Također smo isključili sve videozapise u kojima je intra-koronarna vodič bila prisutna u više od 4 okvira, kao što je automatski određeno algoritmom 3a/b (6,076 videozapisa, 41,780 stenoznih okvira identificiranih s vodičima), budući da ti videozapisi vjerojatno predstavljaju perkutane koronarne intervencije koje bi mogle promijeniti postotak stenoze unutar tog videozapisa (dodatna slika. ); videos were retained from studies prior to the insertion of an intracoronary guidewire. To train and validate Algorithm 4, we combined 6258 images of non-stenosed coronary artery segments with the remaining 98,756 images of stenoses. 1 1 Nakon što je utvrđena stenoza, koordinate ograničavajućih polja proširene su za 12 piksela u svim dimenzijama, a zatim izrezane i izmijenjene na najbližu od tri unaprijed određene veličine: 256*256 piksela (razmerje aspekta broj 1), 256*128 piksela (razmerje aspekta broj 2) i 128*256 piksela (razmerje aspekta broj 3). Ovo je izvršeno kako bi se maksimizirao odnos signala do buke (plovilo do pozadine) zbog različitih orijentacija plovila i veličina stenoze. „Report Dataset” koji se koristio za obuku algoritma 4 sastoji se od 105,014 slika (6667 stenoza od 2,736 pacijenata i 5,134 zdravih segmenta plovila od 1,160 Budući da su ne-stenozni segmenti plovila bili duži od fokalne stenoze, što može dovesti do pristranosti treninga, nasumično smo izrezali sve ne-stenozne segmente na visinu i širinu, odražavajući raspodjelu veličina stenoze u tom koronarnom segmentu. 1 Algoritam 4 bio je zasnovan na modificiranoj arhitekturi Xception gdje je posljednji sloj (Softmax sloj, koji se koristi za klasifikaciju) zamijenjen "prosječnim bazenom", a zatim gustoj sloju s linearnom funkcijom aktivacije kako bi se omogućilo predviđanje ozbiljnosti stenoze kao kontinuirane postotne vrijednosti. Metapodatci slike koji se sastoje od oznake koronarne arterije segmenta i omotnih omjera aspekta također su dodani kao ulazi u završni sloj Algoritma 4, što je poboljšalo performanse. Algoritam izlazi postotnu vrijednost stenoze između 0 i 100 za svaku ulaznu sliku koja predstavlja maksimalnu stenozu u tom segmentu koronarne arterije. Postotna vrijednost je zatim prosječna u svim okvir Modelne težine su inicijalizirane koristeći one iz obučene Algoritma 1. Slike su povećane slučajnim okretanjem (i horizontalno i vertikalno), slučajnim kontrastom, gama i varijacijama svjetlosti, slučajnom primjenom adaptivne histogramske izjednačavanja (za poboljšanje kontrasta u slikama). Algoritmi su obučeni kako bi se minimizirao kvadratni gubitak između predviđene (AI-stenoze) i izvještajne stenoze koristeći RADAM optimizator s početnom stopom učenja od 0,001, momentumom od 0,9 i veličinom serije od 12, obučeni su za 50 epoha. 38 Za algoritam 4 izmijenili smo shemu treninga tako da se svaka epoha trenira na slikama s jednim aspektnim omjerom, a sljedeća epoha trenira na drugom aspektnom omjeru (kopirajući sve težine iz prethodne iteracije), kao što je prethodno učinjeno za multi-size ulaze. To je bilo iterirano do konvergencije. Mjerili smo performanse algoritma na cjelokupnom testnom skupu podataka, koji se sastoji od tri aspekta omjera. Primijetili smo da je konvergencija obuke multi-size ulaza bila kao i drugi algoritmi koji su koristili fiksnu veličinu za obuku. Također smo ispitali različite pristupe i sekvence predprocesiranja bez poboljšanja performansi algoritma (Dopunjska tablica) ) i 39 7s Metode objašnjenja neuronskih mreža Primijenili smo dva pristupa objašnjenju neuronskih mreža na potpuno osposobljene CathAI algoritme kako bismo bolje razumjeli kako su algoritmi napravili svoje predviđanja, u odnosu na njihove relativne zadatke. Tehnika naglašava najkritičnije područje slike za predviđanje. crveno istaknuta područja označavaju veću važnost za predviđanje algoritma, dok više plavo istaknuta područja označavaju nižu važnost. , koji naglašava pojedinačne piksele na slici koji najviše doprinose predviđanjima algoritma. 17 18 Vanjska validacija Za vanjsku validaciju alenosa, slučajno smo uzeli uzorak 1000 koronarnih angiogramskih videa izvedenih na Sveučilištu u Ottawi srčanom institutu (UOHI) između 1. srpnja 2020. i 31. listopada 2020. godine, dobiveni s Philips Azurion sustavima (Koninklijke Philips N.V., Amsterdam, Nizozemska), na 15 fps, koristeći Iopromide bojanje. Algoriti 1, 2 i 3 primijenjeni su na svaki video kako bi se identificirale i lokalizirale stenoze, a algoritam 4 je predvidio AI-stenozu. Zatim smo uzeli uzorak do 40 primjera angiogramskih videa po segmentu koronarne arterije kako bismo oblikovali naš skup podataka o vanjskoj validaciji, identificirajući ukupno 464 koronarnih angiograma s različ To train CathAI Algorithm 4 for the different population distribution of the QCA dataset, we split the QCA dataset into training (75%), development (12.5%) and testing (12.5%) and fine-tuned the last two fully-connected layers of Algorithm 4, to allow the algorithm to learn to predict the QCA stenosis values from the input stenosis images rather than visually assessed stenosis. We performed a grid-search of initial learning rates from 1e−4 to 1e−8 and selected the rate which produced the lowest loss value on the development set in 100 epochs. We then trained the model starting with a learning rate of 1e-6 and dropping by a factor of 0.1 every 100 epochs, for 300 epochs. Kvantitativna koronarna angiografija Da bismo to dokazali, dobili smo vanjski skup podataka o koronarnim angiogramima a priori različite populacije pacijenata dodijeljenih u Montreal Heart Institute (MHI) Core laboratoriju koristeći CMS QCA sustav (MEDIS, Leiden, Nizozemska). Ovaj skup podataka sastoji se od angiograma analiziranih od strane MHI Angiographic Core laboratorija, dobivenih tijekom randomiziranih kontroliranih ispitivanja (RCT) kod ≥ 18-godišnjih pacijenata koji su imali koronarnu angiografiju intervenciju kao dio studije, te su primili nove lijekove za smanjenje lipida ili placebo. Istraživanja iz kojih su ti podaci proizvedeni koristili su kriterije uključivanja koji su isključili pacijente s obstruktivnom koronarnom bolesti (CAD) na početku studije, što je rezultiralo većinom koronarne stenoze blage do umjerene ozbiljnosti u ovom skupu podataka. QCA analizu su proveli dva osposobljena tehničara i nadgledali su ga stručnjaci. , . 40 6 13 Koronarne angiogram slike dobivene su pomoću Philips (Koninklijke Philips N.V., Amsterdam, Nizozemska), General Electric Medical Systems (General Electric, Chicago, Illinois, Sjedinjene Države) i Toshiba (Toshiba Corporation, Minato City, Tokyo, Japan) na 15 sličica po sekundi, injekcijom Iopromide boja u koronarne arterije. Za svaku QCA analizu stenoze u MHI core laboratoriju, odabran je kraj-diastolički okvir s angulacijama koje su najbolje pokazale stenozu u najtežoj mjeri s minimalnim preširenjem i preklapanje granica. This RCT QCA dataset contained a different patient population a priori from the real-world clinical UCSF dataset, since all stenoses ≥ 50% were not present during the baseline angiogram (but could be present at a follow-up angiogram), leaving primarily mild-CAD with a mean QCA stenosis severity of 31.7% ± 11.6%. This provided an optimal opportunity to examine how CathAI could provide a foundation for retraining using QCA stenosis labels to function as an automated tool for core lab angiogram analysis. We split the QCA dataset into training (75%), development (12.5%) and testing (12.5%) datasets and fine-tuned the last two fully connected layers of CathAI Algorithm 4 to predict QCA values rather than visually assessed stenosis estimates. Algoritmi i statistička analiza Kao što je prikladno za svaki zadatak, performanse svakog algoritma za kategorijske vrijednosti ocijenjene su pomoću pozitivne prediktivne vrijednosti (PPV), negativne prediktivne vrijednosti, osjetljivosti, specifičnosti, područja pod krivuljom karakteristike primatelja (AUC), rezultata F1 i Bland-Altmann plota. Pearsonova korelacija i prosječna apsolutna pogreška između CathAI-ove predviđanja stenoze i izvješća o stenozi ili QCA stenozi. 41 Neuralne mreže su obučene koristeći Keras v.2.24 i TensorFlow v.1.12. Konačni algoritam performansi su prijavljeni u Test Dataset. Algoritmi 1 i 2 ocijenjeni su na razini okvira/slika koristeći preciznost (tj. pozitivnu predviđajuću vrijednost), podsjetiti (osjetljivost) i isplanirati performanse koristeći matice zbunjenosti. Da bismo procijenili algoritam 3a i 3b, izračunali smo područje prekrivanja preko područja udruživanja (IoU) između predviđenih koordinata bounding-box i stručnjaka-anotiranih koordinata bounding-box objekata u svakoj klasi u testnom skupu podataka. IoU≥0.5 znači najmanje 50% površine preklapanja između predviđenih i istinskih granica, koje smo smatrali istinskim pozitivnim.Zatim izvješćujemo o uspješnosti algoritma 3a/b kao metrici prosječne preciznosti (mAP), koja predstavlja omjer istinskih pozitivnih prema istinskim i lažnim pozitivima na različitim pragovima IoU-a, za svaku klasu MAP vrijednost od 50% uspoređuje s najmodernijim rezultatima za ovu vrstu zadatka , Također predstavljamo prosječnu prosječnu točnost za algoritam 3a i algoritam 3b izračunavanjem omjera ispravne predviđanja razreda s IoU≥0.1 s našim označavanjem temeljne istine u svim našim razredima u našem testnom skupu podataka, kao i pozitivnu predviđajuću vrijednost lokalizacije stenoze koristeći izvješće ili QCA skup podataka kao temeljnu istinu. 36 37 16 35 Za procjenu algoritma 4, primarna metrika interesa bila je prosječna apsolutna pogreška između prijavljene vrijednosti (REPORT-stenoze) i predviđene vrijednosti (AI-stenoze) na razini arterije. , AI-stenoza na razini slike bila je prosječna tijekom videa kako bi se dobila AI-stenoza na razini videa i usporedila s REPORT-stenozom koristeći prosječnu kvadratnu pogrešku. Pouzdanost je klasificirana kao loša (< 0,5), umjerena (0,50-0,75), dobra (0,76-0,90), ili odlična (0,91-1.0).(52) Konačno, predstavljamo prosječnu kvadratnu pogrešku između REPORT-stenoze i AI-stenoze na razini videa. 2 3 42 Predvidjeti binarnu "obstruktivnu" stenozu koronarne arterije, definiranu kao ≥70% stenozu , Na temelju toga, također prijavljujemo područje ispod krivulje karakteristike rada prijemnika (AUC), osjetljivost, specifičnost i dijagnostički omjer šanse , na razini okvira, razini videa i razini arterije, na temelju ovog praga. 2 3 43 Confidence intervals for performance metrics were derived by bootstrapping 80% of the test data over 1000 iterations to obtain 5th and 95th percentile values. We present the performance of Algorithm 4 stratified by sex, by left and right coronary arteries, by artery segment and by age group. We also present two-sided vrijednosti za interakciju (među CathAI stenozom, kovarijatima i gotovo stenozom izračunane Waldovim testom). Kategorizirali smo AI-stenozu i REPORT-stenozu u skupine konkordantnih i disordantnih lezija na temelju vizualnog ≥70% rezanja. Za disordantne lezije predstavljamo njihovu prevalenciju, stratificiranu po segmentu koronarne arterije. Za podatke na razini lezije / posude, model logističke regresije mješovitih učinaka koji se koristi za uzimanje u obzir korelacije unutar subjekta i za ponavljajuće angiograme. P Izvješće sažetak Dodatne informacije o istraživanju dostupne su u Povezano s ovim člankom. Izvješće o istraživanju prirode Dostupnost podataka Podaci koji se koriste u ovoj studiji potječu iz kliničke skrbi i stoga nisu javno dostupni zbog pitanja privatnosti podataka. Dostupnost koda Kod koji podržava ovaj rad je autorsko pravo Regentova Sveučilišta u Kaliforniji i može se staviti na raspolaganje putem licence. referenciji Virani, S. S. et al. Heart Disease and Stroke Statistics—2021 Update: A Report From the American Heart Association. , e254–e743 (2021). Circulation 143 Manesh, R. P. et al. ACC/AATS/AHA/ASE/ASNC/SCAI/SCCT/STS 2017 Appropriate Use Criteria for Coronary Revascularization in Patients With Stable Ischemic Heart Disease: A Report of the American College of Cardiology Appropriate Use Criteria Task Force, American Association for Thoracic Surgery, American Heart Association, American Society of Echocardiography, American Society of Nuclear Cardiology, Society for Cardiovascular Angiography and Interventions, Society of Cardiovascular Computed Tomography, and Society of Thoracic Surgeons. , 2212–2241 (2017). J. Am. Coll Cardiol 69 Levine, G. N. et al. 2011 ACCF/AHA/SCAI Guideline for Percutaneous Coronary Intervention: executive summary: a report of the American College of Cardiology Foundation/American Heart Association Task Force on Practice Guidelines and the Society for Cardiovascular Angiography and Interventions. , 2574–2609 (2011). Circulation 124 Leape, L. L. et al. Effect of variability in the interpretation of coronary angiograms on the appropriateness of use of coronary revascularization procedures. , 106–113 (2000). Am. Heart J. 139 Haibo, Z. et al. Comparison of physician visual assessment with quantitative coronary angiography in assessment of stenosis severity in China. , 239–247 (2018). JAMA Intern Med. 178 Rohan, S. et al. Comparison of visual assessment of coronary stenosis with independent quantitative coronary angiography: Findings from the PROMISE trial. , 1–9 (2017). Am. Heart J. 184 Kussmaul, W. G., Popp, R. L. & John, N. Accuracy and reproducibility of visual coronary stenosis estimates using information from multiple observers. , 154–162 (1992). Clin Cardiol 15 Nallamothu, B. K. et al. Comparison of clinical interpretation with visual assessment and quantitative coronary angiography in patients undergoing percutaneous coronary intervention in contemporary practice. , 1793–1800 (2013). Circulation 127 Elbaz-Greener, G., Masih, S., Fang, J., Roifman, I. & Wijeysundera, H. C. Temporal trends in fractional flow reserve use in patients undergoing coronary angiography: A population-based study. , 10–18 (2019). Cjc Open 1 Tonino, P. A. L. et al. Fractional flow reserve versus angiography for guiding percutaneous coronary intervention. , 213–224 (2009). New Engl J Medicine 360 Islam, Y. E. et al. Temporal trends in inpatient use of intravascular imaging among patients undergoing percutaneous coronary intervention in the United States. . , 913–915 (2018). JACC Cardiovasc. Interv 11 Parikh, R. V. et al. Utilization and outcomes of measuring fractional flow reserve in patients with stable ischemic heart disease. , 409–419 (2020). J. Am. CollegeCardiol. 75 Paolo, G. et al. Quantitative coronary angiography in the current era: principles and applications. , 527–536 (2009). J. Interv. Cardiol 22 Shah, R. et al. Comparison of visual assessment of coronary stenosis with independent quantitative coronary angiography: Findings from the Prospective Multicenter Imaging Study for Evaluation of Chest Pain (PROMISE) trial. , 1–9 (2017). Am. Heart J. 184 Langlais, É. L. et al. Novel artificial intelligence applications in cardiology: Current landscape, limitations, and the road to real-world applications. . 1–13 (2022). J. Cardiovasc. Transl https://doi.org/10.1007/s12265-022-10260-x Tsung-Yi, L., Priya, G., Ross, G., Kaiming, H. & Piotr, D. Focal loss for dense object detection. Preprint at (2017). https://arxiv.org/abs/1708.02002 Selvaraju, R. R. et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization. , 336–359 (2019). Int J Comput Vis 128 Nathan, M. T., Chen, B. Y. & Friedland, G. Efficient saliency maps for explainable AI. Preprint at (2019). https://arxiv.org/abs/1911.11293 Chengyang, Z. et al. Automated deep learning analysis of angiography video sequences for coronary artery disease. Preprint at (2021). https://arxiv.org/abs/2101.12505 Yang, S. et al. Major vessel segmentation on X-ray coronary angiography using deep networks with a novel penalty loss function. , 16897 (2019). Sci. Rep. 9 Nasr-Esfaha, E. et al. Segmentation of vessels in angiograms using convolutional neural networks. , 240–251 (2018). Biomed. Signal Process. Control 40 Benjamin, A. et al. Automated characterization of stenosis in invasive coronary angiography images with convolutional neural networks. Preprint at (2018). https://arxiv.org/abs/1807.10597 Athanasios, V. & Krystian, M. Deep segmentation and registration in X-ray angiography video. Preprint at (2018). https://arxiv.org/abs/1805.06406 Jingfan, F. et al. Multichannel fully convolutional network for coronary artery segmentation in X-Ray angiograms. , 44635–44643 (2018). IEEE Access 6 Moon, J. H. et al. Automatic stenosis recognition from coronary angiography using convolutional neural networks. , 105819 (2021). Comput Methods Programs Biomed. 198 Iyer, K. et al. AngioNet: a convolutional neural network for vessel segmentation in X-ray angiography. , 18066 (2021). Sci. Rep-uk 11 Yang, S. et al. Automatic coronary artery segmentation in X-ray angiograms by multiple convolutional neural networks. 31–35 (2018). Assoc. Comput. Mach. https://doi.org/10.1145/3195588.3195592 Du, T. et al. Training and validation of a deep learning architecture for the automatic analysis of coronary angiography. , 32–40 (2021). Eurointervention 17 Marcus, M. L. et al. Visual estimates of percent diameter coronary stenosis: “a battered gold standard.”. , 882–885 (1988). J. Am. Coll Cardiol. 11 Xu, X. et al. Sex differences in assessing stenosis severity between physician visual assessment and quantitative coronary angiography. , 9–14 (2022). Int. J. Cardiol. 348 Morris, P. D., Curzen, N. & Gunn, J. P. Angiography‐derived fractional flow reserve: More or less physiology? , e015586 (2020). J. Am. Heart Assoc. 9 Jaemin, S., Jun, P., Sang & Kyu-Hwan, J. Retinal vessel segmentation in fundoscopic images with generative adversarial networks. Preprint at (2017). https://arxiv.org/abs/1706.09318 Chollet, F. Xception: Deep Learning with Depthwise Separable Convolutions. Preprint at (2017). https://arxiv.org/abs/1610.02357 Alex, K., Ilya, S. & Geoffrey, E. H. ImageNet classification with deep convolutional neural networks. in 1097–1105 (2012). Advances in Neural Information Processing Systems Minh, H. et al. Deep RetinaNet-based detection and classification of road markings by visible light camera sensors. , 281 (2019). Sensors (Basel) 19 Rezatofighi, H. et al. Generalized intersection over union: A metric and a loss for bounding box regression. . 658–666 (2019). Conference: IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) https://doi.org/10.1109/cvpr.2019.00075 Tie-Yan, L. Learning to rank for information retrieval. , 225–331 (2007). Found Trends Inf. Retr 3 Liyuan, L. et al. On the variance of the adaptive learning rate and beyond. Preprint at (2019). https://arxiv.org/abs/1908.03265 Kaiming, H., Xiangyu, Z., Shaoqing, R. & Jian, S. Spatial pyramid pooling in deep convolutional networks for visual recognition. 346–361 (2014). Lect Notes Comput. Sci. Tardif, J.-C. et al. Effects of reconstituted high-density lipoprotein infusions on coronary atherosclerosis: A randomized controlled trial. , 1675–1682 (2007). JAMA 297 Koo, T. K. & Li, M. Y. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. , 155–163 (2016). J. Chiropr. Med. 15 Bland, J. M. & Altman, D. G. Statistical methods for assessing agreement between two methods of clinical measurement. , 307–310 (1986). Lancet 327 Glas, A. S., Lijmer, J. G., Prins, M. H., Bonsel, G. J. & Bossuyt, P. M. M. The diagnostic odds ratio: a single indicator of test performance. , 1129–1135 (2003). J. Clin. Epidemiol. 56 Priznanja RA podržava „Fonds de la recherche en santé du Québec“ (Grant 274831). JEO je primio sredstva od NIH-a (U2CEB021881). GHT je primio potporu Nacionalnih instituta za zdravlje NHLBI K23HL135274. KS nema relevantno financiranje povezano s ovim rukopisom. AW podržava Nacionalna znanstvena zaklada Graduate Research Fellowship pod Grant No. DGE 1752814. YS je podržan nagradom za istraživača srednje karijere od strane Zaklade za srce i moždani udar Ontarija. J-CT drži Kanadsku istraživačku stolicu u personaliziranoj i translacijskoj medicini, a Sveučilište u Montrealu imala je istraživačku stolicu u području ateroskleroze. JEG je financiran nagrad Ovaj članak je dostupan u prirodi pod licencom CC by 4.0 Deed (Attribution 4.0 International). Ovaj papir je Licencija je CC by 4.0 Deed (Attribution 4.0 International). Dostupno u prirodi