[论文解读] 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 5

一句话总结

CathAI 是一种完全自动化的基于深度学习的系统，通过一系列专用神经网络来解读冠状动脉造影。它在检测投照角度（阳性预测值、敏感性及 F1 值均 ≥90%）、识别左/右冠状动脉（≥93%）以及预测阻塞性狭窄（AUC = 0.862，外部验证 AUC = 0.869）方面均表现出高精度，从而实现了冠状动脉疾病评估的标准化与可重复性。

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.

研究动机与目标

• 为解决由医生主导的冠状动脉造影视觉解读中缺乏标准化和高变异性的问题。
• 开发一种完全自动化系统，能够在无需人工干预的情况下解读未经筛选的真实世界冠状动脉造影。
• 利用深度学习提高冠状动脉狭窄评估的可重复性并减少偏差。
• 为未来冠状动脉造影的算法化解读建立一个稳健且可扩展的基础。
• 在包括国际医疗系统在内的多种临床环境中验证该系统。

提出的方法

• 该系统采用一系列按顺序训练的深度神经网络，用于在冠状动脉造影上执行多项任务。
• 算法 1 和 2 以高精度检测投照角度并识别左或右冠状动脉结构。
• 系统使用卷积神经网络（CNNs）进行图像级分类和关键解剖结构的定位。
• 专门的神经网络（算法 4）利用造影中的血流动力学和形态学特征，预测阻塞性冠状动脉狭窄（≥70% 狭窄）。
• 模型在来自临床实践的真实世界未筛选冠状动脉造影大数据集中进行训练。
• 在另一医疗系统中进行了外部验证，以评估其泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 完全自动化、端到端的神经网络流程能否准确解读未经筛选的真实世界冠状动脉造影？
• RQ2 该系统能否在检测左、右冠状动脉及投照角度等关键解剖结构方面实现高性能？
• RQ3 该系统能否以高诊断准确性可靠地预测阻塞性冠状动脉狭窄（≥70% 狭窄）？
• RQ4 当在不同临床环境和地理区域进行外部验证时，系统性能是否保持稳定？
• RQ5 与视觉解读相比，此类自动化系统能否提高冠状动脉狭窄评估的可重复性并减少变异性？

主要发现

• CathAI 在冠状动脉造影中检测投照角度的阳性预测值、敏感性及 F1 值均达到至少 90%。
• 该系统在识别造影片中左或右冠状动脉方面的检测准确率达到至少 93%。
• 在预测阻塞性冠状动脉狭窄（≥70% 狭窄）方面，CathAI 的受试者工作特征曲线下面积（AUC）为 0.862（95% 置信区间：0.843–0.880）。
• 在另一国家的医疗系统中进行的外部验证中，预测阻塞性狭窄的 AUC 为 0.869（95% 置信区间：0.830–0.907）。
• 顺序神经网络流程成功完成了真实世界临床环境中自动化造影解读所需的复杂多步任务。
• 结果表明，完全自动化、基于深度学习的冠状动脉造影解读在技术上可行且具有临床前景。