Rofo 2025; 197(S 01): S72
DOI: 10.1055/s-0045-1802878
Abstracts
Vortrag (Wissenschaft)
Herzdiagnostik

Automatisierte Detektion von Koronarer Herzerkrankung mittels Deep Learning und ultrahigh-resolution Photon-Counting CT

Authors

  • J Brendel

    1   Universitätsklinikum Tübingen, Radiologie, Tübingen

  • J Walterspiel

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • F Hagen

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • J Kübler

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • A Brendlin

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • S Afat

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • J Paul

    3   Institut Mutualiste Montsouris Paris, Paris

  • T Küstner

    4   Universitätsklinikum Tübingen, Radiologie, Medical Image and Data Analysis, Tübingen

  • K Nikolaou

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • M Gawaz

    5   Universitätsklinikum Tübingen, Kardiologie und Angiologie, Tübingen

  • S Greulich

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • P Krumm

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen

  • M Winkelmann

    2   Universitätsklinikum Tübingen, Diagnostische und Interventionelle Radiologie, Tübingen
Further Information
Also available at
 

Zielsetzung Die diagnostische Leistung einer automatisierten, Deep Learning-basierten Detektion von koronarer Herzkrankheit (KHK) zu bewerten.

Material und Methoden In diese retrospektive Studie an einem Universitätklinikum wurden fortlaufend Patienten mit Verdacht auf, aber ohne bekannte Vorgeschichte von KHK eingeschlossen, die zwischen Januar 2022 und Dezember 2023 zur Abklärung einer obstruktiven KHK mittels photon-counting koronarer CT-Angiographie (PC-CCTA) überwiesen wurden. Nicht-UHR PC-CCTA wurde mit künstlicher Intelligenz analysiert, wobei zwei Deep-Learning-Modelle (CorEx, Spimed-AI) zum Einsatz kamen und mit der Einschätzung eines Q3-zertifizierten Radiologen, der ultrahochauflösende (UHR) Bilder bewertete, verglichen wurden. Die diagnostische Leistung zur globalen KHK-Bewertung (mindestens eine signifikante Stenose≥50%) wurde evaluiert.

Ergebnisse Von 222 aufeinanderfolgenden Patienten wurden insgesamt 140 Patienten (96 Männer, 44 Frauen) mit einem Medianalter von 60 Jahren [IQR, 51–68] ausgewertet. Signifikante KHK auf UHR PC-CCTA war bei 36/140 Patienten (25,7%) vorhanden. Die Sensitivität, Spezifität, Genauigkeit, der positive prädiktive Wert (PPV) und der negative prädiktive Wert (NPV) der Deep Learning-basierten KHK-Erkennung betrugen auf Patientenebene 97,2%, 81,7%, 85,7%, 64,8% und 98,9% sowie auf Gefäßebene 96,6%, 86,7%, 88,1%, 53,8% und 99,4%. Die Area under the Receiver Operating Characteristic-Kurve betrug 0,90 (95% CI: 0,83–0,94) auf Patientenebene und 0,92 (95% CI: 0,89–0,94) auf Gefäßebene.

Schlussfolgerungen Die automatisierte Deep Learning-basierte Detektion signifikanter Koronarstenosen auf Nicht-UHR PC-CCTA zeigte eine bemerkenswerte diagnostische Leistung. Diese Methode bietet das Potenzial, die diagnostische Effizienz in der klinischen Routine zu verbessern, indem sie die Arbeitsbelastung für menschliche Reader verringert und eine gezielte Validierung von Stenosen durch ultrahochauflösende PC-CCTA ermöglicht.



Publication History

Article published online:
25 March 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany