Identifisering av sårbare koronare plaques med kunstig intelligens-assistert CT-angiografi (VALUE)

Koronararteriesykdom (CAD) er fortsatt den ledende dødsårsaken på verdensbasis. Aterosklerotisk plakk spiller en sentral rolle i CAD-relatert pasientdødelighet. Dermed er påvisning, kvantifisering og karakterisering av koronar plakk klinisk signifikant for tidlig forebygging og intervensjoner for CAD.

Koronar CT angiografi (CCTA) har dukket opp som et robust ikke-invasivt verktøy for evaluering av CAD. I klinisk praksis utføres koronar plakkvurdering ved en tidkrevende manuell prosess avhengig av klinikerens erfaring og subjektive visuelle tolkning. Med utviklingen av kunstig intelligens har mange automatiske datastøttede metoder blitt foreslått for å etterbehandle CCTA-bildene. Tidligere foreslåtte algoritmer for plakkevaluering ble imidlertid ikke utviklet basert på intravaskulær ultralyd (IVUS) eller optisk koherenstomografi (OCT), som ble sett på som gullreferansen for plakkevaluering. Derfor hadde vi som mål å utvikle en dyp læringsmodell i et helprosess automatisk og intelligent system på CCTA for å oppdage, kvantifisere og karakterisere plakk ved å bruke IVUS eller OCT som referansestandard. Deretter vil vi jobbe med valideringen i ulike kliniske scenarier: (i) Validering av nøyaktigheten til den nye dyplæringsmodellen; (ii) Prognose av modellen i forskjellige populasjoner med CAD.

Hovedspørsmålene den tar sikte på å besvare er:

1. om AI-modellen gjør det mulig å oppdage, kvantifisere koronar plakk sammenlignet med intravaskulær ultralyd eller ekspertlesere;
2. om AI-modellen gjør det mulig å identifisere sårbare plakk ved å bruke IVUS eller OCT som referansestandard.
3. om AI-modellen gjør det mulig å forutsi fremtidige uønskede hjertehendelser i en stor kohort på 10 000 pasienter med ikke-obstruktiv koronarsykdom (Kina CT-FFR studie 2).