深度学习评估心血管疾病风险

心脏病和癌症是美国死亡的主要原因，越来越明确地理解，它们共享常见的危险因素，包括烟草使用，饮食，血压和肥胖症。因此，可以筛选心血管疾病的诊断工具，同时患者已经被筛查用于癌症，这具有潜力能够加快诊断，加速治疗和改善患者结果。

在这篇论文中，我们展示了一个非常好的性能深入学习算法识别患者心血管疾病和预测他们的死亡风险,它显示了承诺在肺癌筛查低剂量CT转换成一个双筛查工具,”助理教授Pingkun Yan说,生物医学工程和生物技术和跨学科研究中心的成员在伦斯勒理工学院(cbi)。

必须克服许多障碍，以便使这种双重筛选成为可能。低剂量CT图像倾向于具有较低的图像质量和更高的噪音，使图像内的特征更难看。使用来自国家肺筛查试验（NLST）的大型数据集，YAN和他的团队使用来自超过30,000个低剂量CT图像的数据来开发，列车，并验证能够过滤掉不需要的工件和噪声的深度学习算法，以及提取诊断所需的特征。研究人员使用额外的2,085个NLST图像验证了算法。

伦斯勒团队还与马萨诸塞州总医院合作，在那里，研究人员能够测试这种深度学习方法，与先进的扫描技术和医院放射学家的专业知识。Yan说，rensselaer开发的算法不仅被证明在使用低剂量CT扫描分析高风险患者心血管疾病风险方面非常有效，而且也被证明在分析这些图像方面与放射科医生一样有效。此外，该算法在马萨诸塞州总医院(Massachusetts General Hospital)收集的335名患者的独立数据集上进行测试时，模拟了专门的心脏CT扫描的性能。

CBIS主任Deepak Vashishth说:“这项创新研究是生物成像和人工智能相结合，以更精确和更安全的方式改善和提供患者护理的最好例子。”