Klinische und experimentelle Kardiologie
Offener Zugang

Abstrakt

Künstliche Intelligenz zur Interpretation der koronaren Computertomographie-Angiographie: Kann maschinelles Lernen die Diagnoseleistung verbessern?

Daisuke Utsunomiya*, Takeshi Nakaura und Seitaro Oda

Die jüngsten Entwicklungen im Bereich künstliche Intelligenz (KI) und maschinelles Lernen haben das Potenzial, die klinische Diagnose von Koronararterienerkrankungen zu verbessern. Die koronare Computertomographie -Angiographie (CCTA) liefert wichtige Informationen zu Koronararterien, z. B. Schwere der Stenose, Läsionslänge, Plaque-Abschwächung und Grad der Kalziumablagerung. Eine umfassende Analyse dieser Faktoren kann jedoch schwierig sein. Wir haben die Patientenmerkmale und die CCTA-Befunde von 56 Patienten analysiert. Wir verwendeten KI (Random Forest), um die ischämiebedingten Läsionen zu ermitteln und verglichen die diagnostische Leistung eines Random Forests mit einer logistischen Regressionsanalyse. Durch die Analyse eines Random Forests erhöhte sich der Bereich unter der Kurve von 0,89 (logistische Regressionsanalyse) auf 0,95 (Random Forest). Modelle maschinellen Lernens können bei der Interpretation der CCTA zur Erkennung ischämiebedingter Koronarläsionen hilfreich sein.