Die retrospektive Studie umfasste insgesamt 7128 Patienten, die zwischen Mai 2012 und März 2021 am Keio Hospital einer Stress-/Ruhe-MPI SPECT unterzogen wurden. Die demografischen Daten, einschließlich Alter und Geschlecht, wurden aus den elektronischen Patientenakten abgerufen. Jedes MPI-Bild wurde anhand der diagnostischen Berichte der MPI-Interpretation beschriftet und in zwei Datensätze unterteilt: gesunde Bilder und CAD-Bilder. Nach der Ausschluss von unklassifizierbaren Bildern wurden 5443 Bilder genutzt, die für das maschinelle Lernen verwendet wurden.
Die SPECT-Bilddaten wurden für das Training eines tiefen 3D-CNN-Modells vorbereitet. Sechs verschiedene Arten von SPECT-Bildern wurden für jeden Patienten generiert und in Kubikbilder umgewandelt. Das Modell wurde in zwei Schritten trainiert: zunächst mit nur einem Datensatz und dann mit dem gesamten Datensatz, einschließlich demographischer Daten. Daten wurden augmentiert, um das Ungleichgewicht zwischen den Klassen zu reduzieren. Die Leistung des Modells wurde anhand von verschiedenen Metriken wie Genauigkeit, Präzision, Rückruf, F1-Wert, AUC der ROC und AUPRC bewertet. Zudem wurden interne Merkmale des Modells mittels PCA visualisiert.
Es wurde eine Studie mit vier unabhängigen Kardiologen durchgeführt, um die diagnostische Leistung des CNN-Modells mit der von Kardiologen zu vergleichen. Die Kardiologen wurden gebeten, 50 Fälle zu bewerten und zu bestimmen, ob CAD vorliegt. Nach der ersten Bewertung wurden die Vorhersagen des Modells angezeigt, und eine zweite Bewertung wurde durchgeführt. Die Ergebnisse des Modells und der Kardiologen wurden verglichen.
Die Experimente der Studie wurden von der Ethikkommission der Keio University School of Medicine genehmigt. Informierte Einwilligung wurde von allen Patienten in Form eines Opt-outs für die retrospektive Analyse der Bilddaten erhalten. Die Studie wurde unter Einhaltung der Deklaration von Helsinki und aller Richtlinien des Ethikausschusses durchgeführt. Alle Daten wurden anonym analysiert.