法国的一个小组训练了一个深度学习模型，该模型可以自动检测来自大型医院数据集的锝-99m(Tc-99m)全身闪烁成像的心脏放射性示踪剂摄取。亚眠大学医院的主要作者Marc-Antoine Delbarre博士和他的同事们写道，该模型表现良好，也许可以用于识别每年数千名未确诊的患者。

该小组写道:“在核医学中心使用我们的自动心脏固定检测模型可能有助于在数十万已经或正在接受[全身闪烁扫描术]的患者中发现未诊断的心脏淀粉样变性。”

心脏淀粉样变性是一组由淀粉样纤维在心肌中进行性沉积引起的蛋白质异常折叠障碍，可导致心力衰竭进而死亡。由于非特异性的心脏症状，患者常常会延误诊断。

骨闪烁扫描通常用于诊断骨肿瘤，然而在身体其他区域的扫描中使用的锝-99m(Tc-99m)放射性示踪剂的摄取可能表明与其他疾病相关的病理。研究人员解释说，心脏淀粉样变性就是这种情况。

在这项研究中，作者假设可以开发一种深度学习模型，在Tc-99m全身闪烁扫描图像的数据集中搜索显著的心脏放射性示踪剂摄取，以帮助识别未诊断的患者。

高亮显示的区域对卷积层的正向预测贡献最大。对于Perugini 2、3和假阳性图像，心脏区域被清楚地突出显示。每个图像为阳性的预测概率显示在图像的顶部。右边是概率标度。图片和说明由JACC通过CC 4.0进行心血管成像。

该小组使用标准Perugini分级系统训练了一个深度学习模型，通过心肌示踪剂摄取来识别疾病，该系统基于图像的视觉评分从0级(阴性)到3级(强阳性)。训练数据集由3048张图像，281张阳性(≥Perugini 2)和2767张阴性，病例来自克雷泰尔的亨利蒙多尔大学医院。

然后，研究人员在里尔大学医院的外部数据集上测试了该模型，该数据集由1633张图像组成，其中102张为阳性，1531张为阴性。

作者报告称，根据分析，在两个数据集中，模型的性能保持不变，准确率为99.3%，特异性为99.5%。

按Perugini分级的AI预测阳性病例平均率

该研究小组写道：“检测模型在全身闪烁扫描中识别心脏摄取[等于或大于] Perugini 2的患者是有效的，并可能有助于诊断心脏淀粉样变性患者。”

然而，作者指出，需要进一步的研究，特别是考虑到这是第一个表明AI可能有效检测Perugini级等于或大于2的心脏淀粉样变摄取的模型。他们还写道，心肌中Tc-99m放射性示踪剂的摄取可能揭示其他情况。

该小组总结道：“根据目前的建议，只有将检测到的显著的心脏摄取进行严格的评估，区分其属于淀粉样变相关或是非淀粉样变相关的摄取，才能得出[心脏淀粉样变]的诊断。