Rofo 2020; 192(S 01): S24
DOI: 10.1055/s-0040-1703176
Vortrag (Wissenschaft)
Herzdiagnostik/Gefäßdiagnostik
© Georg Thieme Verlag KG Stuttgart · New York

Automatisierte Quantifizierung der Koronarverkalkung mittels künstlicher Intelligenz in der Herz-CT

S Martin
1  Zentrum der Radiologie, Institut für Diagnostische und Interventionelle Radiologie, Frankfurt
,
M van Assen
2  Medical University of South Carolina, Department of Radiology, Charleston, SC, USA
,
S Rapaka
3  Siemens Medical Solutions USA, Medical Imaging Technologies, Princeton, NJ, USA
,
P Sahbaee
4  Siemens Medical Solutions USA Malvern, PA, USA
,
M Gulsun
5  Siemens Medical Solutions USA Princeton, NJ, USA
,
S Cimen
3  Siemens Medical Solutions USA, Medical Imaging Technologies, Princeton, NJ, USA
,
P Sharma
3  Siemens Medical Solutions USA, Medical Imaging Technologies, Princeton, NJ, USA
,
M Albrecht
1  Zentrum der Radiologie, Institut für Diagnostische und Interventionelle Radiologie, Frankfurt
,
T Vogl
1  Zentrum der Radiologie, Institut für Diagnostische und Interventionelle Radiologie, Frankfurt
,
U Schoepf
6  Medical University of South Carolina, Department of Radiology, Charleston, SC, USA
› Author Affiliations
Further Information

Publication History

Publication Date:
21 April 2020 (online)

 

Zielsetzung Die koronare Kalklast wird routinemäßig bei CT-Untersuchungen des Herzens ermittelt. Die Messung des Agatston Scores erfordert in der Regel die manuelle Auswahl von verkalkten Läsionen der Koronararterien. Ziel dieser Studie war es, eine Software basierend auf künstlicher Intelligenz (KI) zu evaluieren, welche ein vollständig automatisiertes CT Calcium Scoring der Koronararterien ermöglicht.

Material und Methoden Wir analysierten eine vollautomatisierte Calcium-Scoring-Anwendung, die aus mehreren Deep-Learning-Modellen besteht. Die Software identifiziert automatisch die verkalkten Läsionen der Koronararterien, während gleichzeitig Verkalkungen der Herzklappen ausgeschlossen werden. Dieser Algorithmus wurde an 2000 annotierten EKG-getriggerten Herz-CT-Scans trainiert. Anschließend wurde die Anwendung bei 511 konsekutiven Patienten (Durchschnittsalter 56,4±10,2 Jahre; 211 Männer) ausgewertet, die sich einer routinemäßigen nativen EKG-getriggerten Herz-CT Untersuchung zur Bestimmung der koronaren Kalklast unterzogen. Die Ergebnisse wurden mit den Referenzwerten verglichen, die durch eine standardmäßige manuelle Bewertung durch unabhängige Radiologen in der klinischen Routine erhalten wurden.

Ergebnisse Die Agatston-Werte zeigten keine signifikanten Unterschiede zwischen dem automatisierten Algorithmus und dem Referenzstandard (P=0,282). Darüber hinaus lies sich eine ausgezeichnete Korrelation zwischen den beiden Methoden (Pearson, r=0,97) nachweisen. Insgesamt wurden 476 von 511 Patienten (93,2%), die durch den Deep-Learning-Algorithmus ausgewertet wurden, in dieselbe Risikokategorie (0, 1-10, 11-100, 101-400 oder >400) eingeteilt.

Schlußfolgerungen Automatisiertes Calcium Scoring mittels KI zeigt eine hohe diagnostische Genauigkeit im Vergleich zu den manuell ermittelten Referenzwerten für die native EKG-getriggerte Herz-CT. Der Einsatz dieser vollautomatischen Softwareanwendung könnte den Bedarf an menschlicher Benutzerinteraktion und Interpretationszeit reduzieren.