基于深度学习的冠状动脉疾病评估:利用曲面多平面重建对狭窄、钙化和斑块进行全面评价
本研究开发并验证了一个基于深度学习的框架,用于在曲面多平面重建图像中检测和量化冠状动脉狭窄、易损斑块和钙化。分析2014至2022年间的1715名患者(5112根血管),采用2D nnU-Net构建狭窄分割模型和易损斑块分割模型。在时间独立的测试集(824名患者,2437根血管)上,狭窄检测的血管水平灵敏度达0.84,阴性预测值高达0.98;直径狭窄的平均绝对误差为12.4%,Bland–Altman分析显示平均偏倚+1.2%。易损斑块检测在切片水平灵敏度0.80,阴性预测值0.97。钙化评估显示高组内相关系数(0.84)和与专家视觉评分的一致性(Kappa=0.76)。该自动化分析具有高诊断可靠性,尤其在阴性预测能力上表现突出,适用于非侵入性CAD筛查。

