Objectives

開發 Deep Learning (DL) 模型，利用 single-photon emission computed tomography myocardial perfusion imaging (SPECT-MPI) 極座標圖自動診斷 coronary artery disease (CAD)。
比較了多種訓練策略，包含 supervised、semi-supervised 和 transfer learning，以及不同的輸入類型（rest、stress、early fusion 和 late fusion）。
評估模型在兩個任務中的表現：（1）自動化 expert reader (ER) 診斷；（2）預測 invasive coronary angiography (ICA) 為基礎的診斷。
證明結合有或無 ICA 的數據，加上 semi-supervised learning，可以提高 DL 模型的性能。

Methodology

實作了 13 種不同的 convolutional neural network (CNN) 模型，包含 CNN1、CNN2、DenseNet (121, 169, 201)、EfficientNet (B0, B3)、InceptionResNetV2、InceptionV3、ResNet (101V2, 152V2, 50V2) 和 VGG19。
使用 quantitative perfusion SPECT (QPS) 提取 rest 和 stress 狀態的極座標圖。
定義了兩個任務：（1）以 ER 評估 SPECT-MPI 作為參考的自動 CAD 診斷；（2）基於參考 ICA 報告的 SPECT-MPI CAD 診斷。
在任務 2 中，使用了六種策略來訓練 DL 模型，包含 ER 和 ICA 診斷的組合，以及 semi-supervised learning。
使用四種輸入類型：rest 極座標圖、stress 極座標圖、early fusion（stress 和 rest 的雙通道圖像）和 late fusion（具有 2D spatial pyramid pooling (SPP) 的單獨 stress 和 rest 輸入）。
納入了數據增強（±10° 旋轉）和臨床特徵（年齡、性別、體重、身高）。

在任務 1（ER 診斷）中，最佳模型在 per-vessel 分析中達到 0.89 的 AUC (DenseNet201 Late Fusion)，在 per-patient 分析中達到 0.83 的 AUC (ResNet152V2 Late Fusion)。
在任務 2（ICA 診斷）中，最佳模型在 per-vessel 分析中達到 0.71 的 AUC（策略 3，WoAug InceptionResNetV2 EarlyFusion），在 per-patient 分析中達到 0.77 的 AUC（策略 5，WoAug ResNet152V2 EarlyFusion）。
統計檢驗（DeLong 和 Wilcoxon rank sum）顯示模型和策略之間存在顯著差異。
Per-patient 分析中最佳的 DL 模型（策略 5 WoAug ResNet152V2 EarlyFusion）在 LAD 方面優於 expert reader 的 SS 診斷（AUC：0.80 vs. 0.58），並通過 DL 輔助提高了新 ER 的表現（AUC：0.68）。

該研究很全面，探索了許多 DL 模型和訓練策略。然而，以 ICA 作為黃金標準的樣本量相對較小 (n=281)。雖然作者通過納入 ER 診斷來解決這個問題，但 ER 評估的內在主觀性引入了潛在的偏差。
選擇特定 DL 架構（CNN1、CNN2）的基本原理沒有明確解釋。提供有關設計選擇的更多細節將加強方法論。
該研究在 SPECT 和 ICA 之間使用了 ±6 個月的時間窗。這可能是一個限制，因為疾病進展可能在此時間範圍內發生。較短的間隔會更好。
雖然提供了顯著性圖，但它們的解釋和臨床效用並未得到徹底討論。更詳細地分析這些圖如何與特定的血管造影結果相關聯將非常有價值。
該研究缺乏外部驗證。在獨立數據集上測試模型將顯著增強研究結果的普遍性。