Dijital Sağlık ve Yapay Zeka Çalışma Grubu Elektronik Bülteni Yıl: 1 Sayı: 4 / 2024 |
|
‘‘Prediction of Coronary Artery Calcium Using Deep Learning of Echocardiograms’’ Çalışma DeğerlendirmesiHazırlayan: Dr. Ömer GÖK 1) Çalışmanın Adı:Prediction of Coronary Artery Calcium Using Deep Learning of Echocardiograms 2) Çalışmanın Yayınlandığı Dergi:Journal of the American Society of Echocardiography 3) Çalışmanın Yayınlandığı Tarih:07.05.2023 4) Çalışmanın Sponsoru:Doris Duke Charitable Foundation Hibesi ve Erika J. Glazer Ailesi Vakfı 5) Çalışmanın Amacı:Transtorasik ekokardiyografi görüntüleri ile koroner arter kalsifikasyonunun varlığını tespit etmeyi amaçlamanın yanı sıra tahminlerin bir yıllık mortalite farklarını öngördürüp öngördürmediği test edilmiştir. 6) Çalışmanın Dizaynı:Çalışma retrospektif olarak tasarlanmıştır. Tek merkezde 2015-2020 yılları arasında CAC (koroner arteriyel kalsifikasyon) skorlaması yapılan ve skorlamayı takiben bir sene içerisinde TTE (Transtorasik ekokardiyografi) görüntülemesi gerçekleştirilmiş olan hastalar dahil edilmiştir. Kurumsal protokole göre, CAC skorlaması kontrastsız görüntü hacimleriyle yapılmış. BT taramalarında standart görüntüleme alımı ve Agatston skorlama yöntemlerine göre gerçekleştirilmiştir. Ekokardiyogram özellikleri [sol ventrikül ejeksiyon fraksiyonu (LVEF), duvar hareketi anormalliklerinin varlığı ve en az orta derecede kapak hastalığının varlığı], ekokardiyogram raporlarından elde edilmiştir. Derin öğrenme için, her TTE çalışması başlangıçta Dijital Görüntüleme ve İletişim Tıbbi formatında kaynak alınmış ve birden fazla video döngüsü ve statik görüntüler içermiştir. Standart parasternal uzun eksen (PLAX) görünümüne karşılık gelen videolar, önce maskeleme işlemi uygulanarak çıkarılmış ve daha sonra önceki yöntemlerle belirtilen çözünürlüğe (112 × 112 piksel) kübik interpolasyon ile düşürülmüştür. Veri setinin, %80'ini model eğitimi için, %10'unu model doğrulaması için ve %10'unu hold out testi için rastgele bölünmüştür. Ek olarak, aynı TTE'lerden apikal 4 odacıklı (A4C) görüntüler de çıkarılmıştır. Bazı çalışmalarda yüksek kaliteli PLAX ve A4C görünümleri bulunmadığından, PLAX ve A4C videolarının sayısı farklı olmuştur. Modelin hastaları koroner kalsiyumlu ve kalsiyumsuz gruplara doğru sınıflandırma yeteneğini ve CAC skoru ? 400 ve <400 gruplarına doğru sınıflandırma yeteneğini değerlendirilmiştir. Modelde, tutulan test seti ve Stanford Healthcare'den gelen harici bir test seti üzerinden test edilmiştir. 7) Çalışmaya Dahil Edilen Hastaların Demografik Özellikleri: 8) Çalışmanın Sonuçları:2.881 hastanın TTE ve 1.635 hastanın koroner kalsiyum skorları ile eşleştirildiği bir veri setinde bir CNN modeli eğitilmiştir. Transthoracic ekokardiyogram yapay zeka modelleri, sıfır CAC’ı (ROC alanı altında kalan [AUC] = 0,81 [%95 CI, 0,74–0,88], F1 skoru = 0,95) ve yüksek CAC’ı (AUC = 0,74 [0,68–0,8], F1 skoru = 0,74) tahmin etmede yüksek ayrım yeteneğine sahip bulunmuştur. Bu performans, 92 TTE'nin (AUC = 0,75 [0,65–0,85], F1 skoru = 0,77; ve AUC = 0,85 [0,76–0,93], F1 skoru = 0,59, sırasıyla) harici bir test veri setinde doğrulanmıştır. TTE ile tahmin edilen CAC’a göre risk sınıflandırması, yüksek CAC’lı hastalarda 1 yıllık sağ kalım arasında önemli farkları tahmin etmede BT CAC skorlarına benzer şekilde performans göstermiştir (BT CAC ? 400'e karşı BT CAC < 400, P = .03; TTE ile tahmin edilen CAC ? 400'e karşı TTE ile tahmin edilen CAC < 400, P = .02). 9) Çalışma Hakkında Yorumlar: Kaynaklar
|
2024 © Bu sitenin tüm haklari Türk Kardiyoloji Dernegine aittir. |