[論文レビュー] CathAI: Fully Automated Interpretation of Coronary Angiograms Using Neural Networks

Robert Avram, Jeffrey E. Olgin+9 more|arXiv (Cornell University)|Jun 14, 2021

Cardiac Imaging and Diagnostics参考文献 42被引用数 5

ひとこと要約

CathAI は、特殊なニューラルネットワークの連鎖を用いて冠動脈造影画像を解釈する完全自動化されたディープラーニングベースのシステムである。このシステムは、投影角度の検出（PPV、感度、F1 がそれぞれ ≥90%）、左冠動脈・右冠動脈の特定（≥93%）、閉塞性狭窄の予測（AUC = 0.862、外部妥当性検証で AUC = 0.869）において高い正確性を達成し、冠動脈疾患の標準的で再現性のある評価を可能にする。

ABSTRACT

Coronary heart disease (CHD) is the leading cause of adult death in the United States and worldwide, and for which the coronary angiography procedure is the primary gateway for diagnosis and clinical management decisions. The standard-of-care for interpretation of coronary angiograms depends upon ad-hoc visual assessment by the physician operator. However, ad-hoc visual interpretation of angiograms is poorly reproducible, highly variable and bias prone. Here we show for the first time that fully-automated angiogram interpretation to estimate coronary artery stenosis is possible using a sequence of deep neural network algorithms. The algorithmic pipeline we developed--called CathAI--achieves state-of-the art performance across the sequence of tasks required to accomplish automated interpretation of unselected, real-world angiograms. CathAI (Algorithms 1-2) demonstrated positive predictive value, sensitivity and F1 score of >=90% to identify the projection angle overall and >=93% for left or right coronary artery angiogram detection, the primary anatomic structures of interest. To predict obstructive coronary artery stenosis (>=70% stenosis), CathAI (Algorithm 4) exhibited an area under the receiver operating characteristic curve (AUC) of 0.862 (95% CI: 0.843-0.880). When externally validated in a healthcare system in another country, CathAI AUC was 0.869 (95% CI: 0.830-0.907) to predict obstructive coronary artery stenosis. Our results demonstrate that multiple purpose-built neural networks can function in sequence to accomplish the complex series of tasks required for automated analysis of real-world angiograms. Deployment of CathAI may serve to increase standardization and reproducibility in coronary stenosis assessment, while providing a robust foundation to accomplish future tasks for algorithmic angiographic interpretation.

研究の動機と目的

• 冠動脈造影画像の医師主導による視覚的解釈における標準化の欠如と高いばらつきを是正すること。
• 人為的介入なしに、選択されない現実世界の冠動脈造影画像を完全自動で解釈できるシステムの開発。
• ディープラーニングを用いて冠動脈狭窄の評価における再現性を向上させ、バイアスを低減すること。
• 今後のアルゴリズムによる冠動脈造影画像の解釈の基盤を強固かつスケーラブルに構築すること。
• 多様な臨床現場、特に国際的な医療システムを含む外部環境でも妥当性を検証すること。

提案手法

• 本システムは、冠動脈造影画像上で複数のタスクを段階的に実行するためのディープニューラルネットワークのパイプラインを採用している。
• アルゴリズム1および2は、高い精度で投影角度を検出し、左または右冠動脈構造を特定する。
• 画像レベルの分類および主要な解剖学的特徴の局在化には畳み込みニューラルネットワーク（CNNs）が使用されている。
• 特定のニューラルネットワーク（アルゴリズム4）は、造影画像からの血行動態的および形態的特徴を用いて、閉塞性冠動脈狭窄（≥70% 狭窄）を予測する。
• モデルは、臨床現場で得られた選択されない大規模な実世界データセットを用いて学習された。
• 一般化能および耐久性を評価するため、別の医療システムで外部妥当性検証が実施された。

実験結果

リサーチクエスチョン

• RQ1 選択されない実世界の冠動脈造影画像を完全自動でエンドツーエンドのニューラルネットワークパイプラインが正確に解釈できるか？
• RQ2 本システムは、左冠動脈および右冠動脈、投影角度といった主要な解剖学的構造を高い性能で検出できるか？
• RQ3 本システムは、閉塞性冠動脈狭窄（≥70% 狭窄）を高い診断正確性で信頼性高く予測できるか？
• RQ4 異なる臨床現場および地理的地域で外部妥当性検証を実施した場合、本システムの性能が維持されるか？
• RQ5 このような自動化システムは、視覚的解釈と比較して、冠動脈狭窄評価の再現性を向上させ、ばらつきを低減できるか？

主な発見

• CathAI は、冠動脈造影画像における投影角度の検出において、陽性予測値、感度、F1 スコアがそれぞれ 90% 以上を達成した。
• 本システムは、造影画像における左冠動脈または右冠動脈の同定において、93% 以上の検出正確性を示した。
• 閉塞性冠動脈狭窄（≥70% 狭窄）の予測に関して、CathAI は受検者作動特性曲線下積分（AUC）が 0.862（95%信頼区間：0.843–0.880）を達成した。
• 別の国における医療システムでの外部妥当性検証では、閉塞性狭窄の予測 AUC が 0.869（95%信頼区間：0.830–0.907）であった。
• 段階的なニューラルネットワークパイプラインは、実世界の臨床現場における完全自動の造影画像解釈に必要な複雑なマルチステップタスクを効果的に実行できた。
• 本結果は、完全自動化されたディープラーニングベースの冠動脈造影画像解釈が実現可能であり、臨床的に有望であることを示している。