[論文レビュー] Enhancing the Detection of Coronary Artery Disease Using Machine Learning

Karan Kumar Singh, Nikita Gajbhiye+1 more|arXiv (Cornell University)|Mar 6, 2026

Artificial Intelligence in Healthcare被引用数 0

ひとこと要約

この研究は 3D CCTA データから非侵襲的冠動脈疾患 (CAD) 検出のために Bi-LSTM、GRU、および Bi-LSTM+GRU ハイブリッドを比較し、ハイブリッドモデルが最高の精度（97.07%）を達成。

ABSTRACT

Coronary Artery Disease (CAD) remains a leading cause of morbidity and mortality worldwide. Early detection is critical to recover patient outcomes and decrease healthcare costs. In recent years, machine learning (ML) advancements have shown significant potential in enhancing the accuracy of CAD diagnosis. This study investigates the application of ML algorithms to improve the detection of CAD by analyzing patient data, including clinical features, imaging, and biomarker profiles. Bi-directional Long Short-Term Memory (Bi-LSTM), Gated Recurrent Units (GRU), and a hybrid of Bi-LSTM+GRU were trained on large datasets to predict the presence of CAD. Results demonstrated that these ML models outperformed traditional diagnostic methods in sensitivity and specificity, offering a robust tool for clinicians to make more informed decisions. The experimental results show that the hybrid model achieved an accuracy of 97.07%. By integrating advanced data preprocessing techniques and feature selection, this study ensures optimal learning and model performance, setting a benchmark for the application of ML in CAD diagnosis. The integration of ML into CAD detection presents a promising avenue for personalized healthcare and could play a pivotal role in the future of cardiovascular disease management.

研究の動機と目的

• 人口統計学、臨床データ、および画像データを用いた CAD 予測MLモデルを開発する。
• CAD 予測のために異なる ML アルゴリズム（例：DT、RF、SVM、ニューラルネットワーク）の性能を比較する。
• 特徴選択を通じて重要な予測因子を特定し、モデル精度を向上させる。
• 欠測データ処理、正規化、外れ値処理などの前処理でデータ品質を高め、学習成果を向上させる。

提案手法

• Siemens 128-slice スキャナーから得られた 1000 件の 3D CCTA 画像データセットを作成する。
• 特徴量をモデリング準備するためにデータクリーニング、正規化、標準化（z-score）を適用する。
• 特徴選択のために Pearson 相関マトリクスを用いて次元削減を行う。
• CAD 予測のために Bi-LSTM、GRU、および Bi-LSTM+GRU ハイブリッド分類器を実装する。
• 精度、適合率、再現率、F1 スコア、および ROC 関連指標を用いてモデルを評価する。

Figure 1: Block diagram of proposed methodology

実験結果

リサーチクエスチョン

• RQ1 ML モデルは臨床特徴と組み合わせた非侵襲的画像データから CAD を正確に予測できるか。
• RQ2 どの ML アーキテクチャ（Bi-LSTM、GRU、またはハイブリッド）がデータセット上で最高の CAD 検出性能を示すか。
• RQ3 特徴抽出と前処理はモデルの性能と一般化にどのように影響するか。
• RQ4 提案モデルは精度や他の指標の点で既存の CAD 検出法とどのように比較されるか。

主な発見

Model	Accuracy	Precision	Recall	F1-score
Bi-LSTM	92.7	92.9	92.7	92.7
GRU	93.9	94	93.9	93.8
Bi-LSTM+GRU Hybrid	97.07	94.13	94.07	94

• Bi-LSTM は 92.7% の精度、92.9% の適合率、92.7% の再現率、92.7% の F1 スコアを達成。
• GRU は 93.9% の精度、94% の適合率、93.9% の再現率、93.8% の F1 スコアを達成。
• ハイブリッド Bi-LSTM+GRU は 97.07% の精度、94.13% の適合率、94.07% の再現率、94% の F1 スコアを達成。
• ハイブリッドモデルは個別の Bi-LSTM および GRU モデルや文献で報告された従来手法を上回った。
• 本研究は臨床意思決定および CAD 診断を改善する手段として非侵襲的データ統合の重要性を強調する。

Figure 2: Training and validation loss of the Bi-LSTM model across epochs