Survival Prediction of TAVI Patients Using End-to-End Deep Image Regression on Whole-Body CT.

چکیده اصلی

INTRODUCTION: Transcatheter aortic valve implantation (TAVI) is a standard treatment for patients with severe aortic stenosis. However, predicting long-term survival outcomes remains challenging, as traditional risk scores such as EuroSCORE II and STS-PROM exhibit poor calibration for TAVI cohorts. METHODS: In this work, we developed an end-to-end deep learning pipeline to predict overall survival of TAVI patients directly from pre-procedural whole-body CT scans. The pipeline uses a 3D DenseNet121 architecture within the AUCMEDI framework, trained as a regression model to predict survival in days, using 5-fold cross-validation on 317 TAVI patients. RESULTS: The model achieved an AUC of 0.787, a specificity of 72.1%, and a sensitivity of 85.3% for identifying short-term survival patients (<12 months) in a binary evaluation, comparable to state-of-the-art multimodal ML models requiring extensive clinical data. CONCLUSION: End-to-end deep learning on routinely acquired CT scans can effectively identify high-risk TAVI patients, offering potential as a clinical decision support tool for pre-operative assessment without manual feature engineering.

ترجمه فارسی چکیده

جراحی جایگزینی دریچه آئورت با سوند (TAVI) درمان استاندارد برای بیماران با تنگی آئورت شدید است. با این حال، پیش‌بینی نتایج بقا در بلندمدت همچنان چالش‌برانگیز است، زیرا نمرات ریسک سنتی مانند EuroSCORE II و STS-PROM در گروه‌های TAVI دقت کمتری دارند. در این کار، ما یک خط لوله یادگیری عمیق تمام‌به‌تمام برای پیش‌بینی بقا کلی بیماران TAVI مستقیماً از اسکن‌های سی‌تی اسکن کل بدن قبل از عمل توسعه دادیم. این خط لوله از معماری 3D DenseNet121 در چارچوب AUCMEDI استفاده می‌کند و به عنوان یک مدل رگرسیون برای پیش‌بینی بقا به روزها آموزش داده شده است. مدل در ارزیابی دودویی برای شناسایی بیماران با بقا کوتاه‌مدت (<۱۲ ماه)، AUC 0.787، حساسیت 85.3% و ویژگی 72.1% را به دست آورد که با مدل‌های یادگیری ماشین چندمدلی پیشرفته قابل مقایسه است.

متن کامل اصلی