机器学习读冠脉造影片可行可靠（阜外医院徐波等研究）

在数据集中，11 900 张标注图像用于网络训练，1 000 张用于网络测试。以真实精标注图片为“金标准 ”，评价深度神经网络对冠状动脉造影图像血管分割及节段识别的能力。 结果显示，深度神经网络对冠状动脉造影图像血管自动分割的平均准确度达 99.2%，F1 分数为 0.91，且对冠状动脉主支血管的分割结果优于一级分支血管。 深度神经网络对冠状动脉造影图像血管节段识别的平均准确度为 98.6%，F1 分数为 0.80 ，对冠状动脉主支血管段的识别效果优于一级分支血管，对血管近段的识别准确度优于血管远段。 随着训练数据量增加，深度神经网络对冠状动脉造影图像血管分割的性能明显提升。训练数据量从 1 000 张增加到 11 900 张时，对应的血管分割准确度由 74.9% 上升至 99.2%。 来源： 谢丽华，史晓彤，王筱斐，等. 基于深度神经网络的冠状动脉造影图像血管分割和节段识别. 中国循环杂志, 2020, 35: 1064-1071. DOI:10.3969/j.issn.1000-3614.2020.11.003

阜外医院徐波等人报告，他们利用深度学习技术相关神经网络算法，创建的冠状动脉造影图像血管分割和血管节段识别人工智能模型准确度较高。 研究者认为，该研究显示了深度神经网络用于冠状动脉造影图像血管分割及节段识别的可行性，为将来实现客观、高效的冠状动脉造影人工智能病变诊断提供了基础。在此基础上，进一步开发管腔直径测量模型，实现人工智能定量冠状动脉造影分析，可为临床医生制定治疗决策提供客观的参考信息。 该研究纳入 2018 年 7 月于阜外医院行冠状动脉造影的患者 2 834 例，共 获得12 900 张冠状动脉造影图像。 患者的冠状动脉造影图像由阜外医院心血管介入诊疗影像分析核心实验室影像分析师标注后，搭建一种创新的深度神经网络，分别进行冠状动脉造影图像血管分割和节段识别任务。

转载：请标明“中国循环杂志”很多疑难复杂病例,一个医生一生也只能见到一次