术前血管内超声深度学习预测冠状动脉支架扩张不足( Prediction of Coronary Stent Underexpansion by Pre-Procedural Intravascular Ultrasound–Based Deep Learning )

HS Min D Ryu SJ Kang JG Lee SJ Park

目的本研究的目的是建立术前血管内超声(IVUS)模型，用于预测支架扩张不足的发生。背景尽管支架置入后IVUS已被用于优化经皮冠状动脉介入治疗，但目前尚无术前程序指南来估计支架扩张程度和提供支架部署前的抢先管理。方法将618例经皮冠状动脉介入治疗患者的618个冠状动脉病变按5：1的比例随机分为训练组和测试组。对支架置入前后的IVUS图像进行配准后,利用术前图像和临床信息（支架直径、长度和充气压力；球囊直径和最大球囊压力）建立回归模型,利用卷积神经网络预测支架置入后的支架面积。为了将支架面积<5.5mm的支架与无支架扩张不足的支架分开，建立了二元分类模型（XGBoost）。结果总体而言，支架欠膨胀的频率为15%（34,736帧中的5,209帧）。在支架水平上，术前IVUS回归模型预测的支架面积与术后IVUS测量的支架面积显著相关(r=0.802)。当使用卷积神经网络和掩模图像提取的特征作为分类模型时，预测支架欠膨胀的最大准确率为94%（曲线下面积=0.94)。在病变水平上，预测的最小支架面积与测量的最小支架面积(r=0.832)和预测的支架总容积与测量的支架总容积(r=0.958)之间存在显著相关性。结论深度学习算法能准确预测支架不完全扩张。数据驱动的方法可能有助于临床医生做出治疗决策，以避免支架扩张不足作为支架失效的可预防原因。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate