Zielsetzung
Die vorliegende Studie untersucht die diagnostische Leistungsfähigkeit eines automatisierten Deep-Learning-Ansatzes zur Erkennung der koronaren Herzkrankheit (KHK) mittels Photon-counting CT-Angiographie der Koronarien (PC-CCTA).
Material und Methoden
In diese retrospektive, monozentrische Studie wurden konsekutive Patienten mit Verdacht auf KHK eingeschlossen, die sich zwischen Januar 2022 und Dezember 2023 einer PC-CCTA unterzogen. Die Analyse von nicht-ultra-hochauflösenden PC-CCTA-Bildern wurde unter Verwendung von zwei Deep-Learning-Modellen (CorEx, Spimed-AI) durchgeführt und mit den Ergebnissen menschlicher Experten verglichen, die ultra-hochauflösende PC-CCTA-Bilder auswerteten. Die diagnostische Leistungsfähigkeit der KI-Modelle zur Detektion einer signifikanten Stenose (≥50 %) wurde auf Patienten- sowie Gefäßebene ermittelt.
Ergebnisse
Insgesamt wurden 140 Patienten (96 Männer, 44 Frauen) mit einem mittleren Alter von 60 Jahren (1. Quartil: 51; 3. Quartil: 68) analysiert. Eine signifikante KHK wurde bei 36 der 140 Patienten (25,7 %) auf den ultra-hochauflösenden PC-CCTA-Bildern festgestellt. Die Sensitivität, Spezifität, Genauigkeit, der positive prädiktive Wert und der negative prädiktive Wert des KI-basierten Modells lagen auf Patientenebene bei 97,2 %, 81,7 %, 85,7 %, 64,8 % bzw. 98,9 %. Auf Gefäßebene betrugen diese Werte 96,6 %, 86,7 %, 88,1 %, 53,8 % bzw. 99,4 %. Der Bereich unter der Receiver Operating Characteristic (ROC)-Kurve betrug 0,90 (95 % CI: 0,83–0,94) auf Patientenebene und 0,92 (95 % CI: 0,89–0,94) auf Gefäßebene.
Schlussfolgerungen
Automatisierte Deep-Learning-Modelle zeigen eine hervorragende Leistungsfähigkeit bei der Diagnose signifikanter KHK auf nicht-ultra-hochauflösenden PC-CCTA-Bildern. Die KI-basierte Voranalyse könnte den menschlichen Leser in der klinischen Praxis unterstützen, um koronare Stenosen gezielt zu erkennen und zu validieren.