Detektion der koronaren Herzkrankheit mittels Deep Learning und ultrahochauflösender Photon-counting CT-Angiographie der Koronarien

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.