基于PET生物标志物的可解释人工智能诊断冠状动脉疾病的多中心评估
我们提供此手稿的未编辑版本，以便早期获取其研究结果。在最终出版前，该手稿将经过进一步编辑。请注意，可能存在影响内容的错误，所有法律免责声明均适用。
摘要
正电子发射断层扫描(PET)/计算机断层扫描(CT)用于心肌灌注成像(MPI)提供了多种成像生物标志物，通常被单独评估。我们开发了一种人工智能(AI)模型，整合了关键的临床PET MPI参数，以提高阻塞性冠状动脉疾病(CAD)的诊断准确性。研究回顾性分析了来自四个医疗中心的17,348名接受心脏PET/CT检查的患者中1664名接受过侵入性冠状动脉造影且既往无冠状动脉疾病的患者。冠状动脉钙化(CAC)评分是从CT衰减校正图中得出的，XGBoost模型在一个中心使用10个图像衍生参数进行训练：CAC、应激/静息左心室射血分数、应激心肌血流量(MBF)、心肌血流储备(MFR)、缺血和应激总灌注缺损(TPD)、短暂缺血性扩张比率、压力-心率乘积以及性别。该模型在三个独立中心进行了外部验证。在测试队列(n=1278；CAD患病率53%)中，AI模型实现了受试者工作特征曲线下面积(AUC)为0.83(95% CI: 0.81-0.85)，优于经验丰富的医师(0.80, p=0.02)和单个生物标志物，如缺血性TPD(0.79, p<0.001)和MFR(0.75, p<0.001)。该模型的性能在性别、体重指数和年龄方面保持一致。整合灌注、血流和CAC评分的人工智能提高了PET MPI诊断准确性，为CAD诊断提供自动且可解释的预测。
【全文结束】
