پیش‌بینی پیامدهای پیوند بای‌پس عروق کرونر مبتنی‏ بر تصاویر آنژیوگرافی و داده‌های بالینی با استفاده از الگوریتم‌های هوش مصنوعی

افتخار, علیرضا; جواهر فروش زاده, فاطمه; رشادتیان, مرضیه; رضایی جو, سید مسعود

doi:10.22118/jsmj.2026.568326.4122

پیش‌بینی پیامدهای پیوند بای‌پس عروق کرونر مبتنی‏ بر تصاویر آنژیوگرافی و داده‌های بالینی با استفاده از الگوریتم‌های هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

علیرضا افتخار ¹

فاطمه جواهر فروش زاده ²

مرضیه رشادتیان ¹

سید مسعود رضایی جو ¹

¹ استادیار گروه فیزیک پزشکی، دانشکدۀ پزشکی، دانشگاه علوم پزشکی جندی‌شاپور اهواز، اهواز، ایران.

² مرکز تحقیقات درد، دانشگاه علوم پزشکی جندی‌شاپور اهواز، اهواز، ایران.

10.22118/jsmj.2026.568326.4122

چکیده

بیماری عروق کرونر (CAD) یکی از علل اصلی مرگ‌ومیر در جهان است و پیوند بای‌پس عروق کرونر (CABG) به‌عنوان درمان استاندارد بیماران مبتلا به درگیری چندرگی شناخته می‌شود. پیش‌بینی پیامدهای پس از عمل در این بیماران اهمیت بالینی ویژه‌ای دارد. در این مطالعه، ما با بهره‌گیری از یک چارچوب نوین یادگیری ماشین و یادگیری عمیق، ادغام داده‌های چندوجهی شامل تصاویر آنژیوگرافی کرونری، نتایج آزمایش خون دو مرحله‌ای و متغیرهای بالینی را برای پیش‌بینی بقای پس از عمل و پیامدهای بیوشیمیایی کلیدی(BUN، SGOT و SGPT ) بررسی کردیم. مجموعه داده شامل ۱۵۲ بیمار تحت عمل CABG در دو مرکز تخصصی قلب در اهواز طی چهار سال بود. ویژگی‌های عمیق از تصاویر آنژیوگرافی با استفاده از ResNet-18 استخراج و همراه با نشانگرهای زیستی و داده‌های بالینی در خطوط لوله یادگیری ماشین ترکیب شدند. برای کاهش ابعاد و افزایش تعمیم‌پذیری، تکنیک‌های انتخاب ویژگی (SelectKBest، SelectFromModel با RF ، Lasso و ExtraTrees ) و مجموعه‌ای از طبقه‌بندی‌کننده‌ها شامل رگرسیون لجستیک، SVC، KNN، XGBoost، LightGBM، و روش‌های گروهی به کار گرفته شد. ارزیابی مدل‌ها با استفاده از اعتبارسنجی متقابل ۵ مرحله‌ای، مجموعه آزمون مستقل و معیارهای استاندارد شامل دقت، صحت، یادآوری، امتیاز F1 و AUC انجام شد. یافته‌ها نشان داد که رویکردهای مبتنی بر م Lasso، به‌ویژه در ترکیب با رگرسیون لجستیک و SVC، عملکرد برتری داشتند و به دقت اعتبارسنجی متقابل ۹۷.۱۴٪ برای بقا و مقادیر ۹۳.۳۳٪، ۹۳.۳۳٪ و ۹۹.۰۵٪ برای BUN، SGOT و SGPT دست یافتند. مقایسه با مدل‌های مرسوم نشان داد که ادغام داده‌های چندوجهی موجب افزایش قابل توجه دقت پیش‌بینی می‌شود.

کلیدواژه‌ها

یادگیری ماشین

یادگیری عمیق

پیوند بای‌پس عروق کرونر (CABG)

آنژیوگرافی کرونری

موضوعات

پزشکی

1. Mensah GA, Fuster V, Murray CJL, Roth GA. Global burden of cardiovascular diseases and risks collaborators (2023) global burden of cardiovascular diseases and risks 1990-2022. JACC. 2023;82(25):2350-473. [10.1016/j. jacc.2023.11.007] [PMID]

2. Chong B, Jayabaskaran J, Jauhari SM, Chan SP, Goh R, Kueh MTW, et al. Global burden of cardiovascular diseases: projections from 2025 to 2050. Eur J Prev Cardiol. 2025;32(11):1001-15. [10.1093/eurjpc/zwae281] [PMID]

3. Khalaji A, Behnoush AH, Jameie M, Sharifi A, Sheikhy A, Fallahzadeh A, et al. Machine learning algorithms for predicting mortality after coronary artery bypass grafting. Front Cardiovasc Med. 2022;9:977747. [10. 3389/fcvm.2022.977747] [PMID]

4. Kilic A, Goyal A, Miller JK, Gjekmarkaj E, Tam WL, Gleason TG, et al. Predictive utility of a machine learning algorithm in estimating mortality risk in cardiac surgery. Ann Thorac Surg. 2020;109(6):1811-9. [10. 1016/j. athoracsur.2019.09.049] [PMID]

5. Salehzehi S, Jafarpoor Nesheli S, Eftekhar A, Shojaee Rocky M, Vejdani Noghreiyan V, Bazazpour A, et al. Graph neural network-based multi-label classification of breast cancer using multiparametric MRI and clinical features. Discov Oncol. 2025;17(1):194. [10.1007/ s12672-025-04359-1] [PMID]

6. Rezaeijo SM, Eftekhar A, Rouhi S, Keshavarzi B, Mohammadi Z, Firouzabad LA, et al. Neighboring tissues as diagnostic windows: neighborhood effects in radiomic detection of pancreatic ductal adenocarcinoma. Comput Methods Programs Biomed. 2025;272:109056. [10.1016 /j.cmpb.2025.109056] [PMID]

7. Jafarpoor Nesheli S, Sabet M, Firoozi V, Heydarheydari S, Rezaeijo SM. Enhanced interpretability in breast cancer detection: combining grad‐cam with selective layer freezing in deep learning. Int J Imaging Syst Technol. 2025;35(4):e70151. [10.1002/ima.70151]

8. Paul JF, Rohnean A, Giroussens H, Pressat-Laffouilhere T, Wong T. Evaluation of a deep learning model on coronary CT angiography for automatic stenosis detection. Diagn Interv Imaging. 2022;103(6):316–23. [10.1016/j.diii.2022.01.004] [PMID]

9. Meng Y, Du Z, Zhao C, Dong M, Pienta D, Tang J, et al. Automatic extraction of coronary arteries using deep learning in invasive coronary angiograms. Technol Health Care. 2023;31(6):2303–17. [10.3233/THC-230278] [PMID]

10. Stef A, Bodolea C, Bocsan IC, Cainap SS, Achim A, Serban A, et al. The value of biomarkers in major cardiovascular surgery necessitating cardiopulmonary bypass. Rev Cardiovasc Med. 2024;25(10):355. [10. 31083/j.rcm2510355] [PMID]

11. Behnoush AH, Khalaji A, Rezaee M, Momtahen S, Mansourian S, Bagheri J, et al. Machine learning‐based prediction of 1‐year mortality in hypertensive patients undergoing coronary revascularization surgery. Clin Cardiol. 2023;46(3):269-78. [10.1002/clc.23963] [PMID]

12. Feng X, Zhang C, Huang X, Liu J, Jiang L, Xu L, et al. Machine learning improves mortality prediction in three-vessel disease. Atherosclerosis. 2023;367:1-7. [10.1016/j.atherosclerosis.2023.01.003] [PMID]

13. Preeshagul I, Gharbaran R, Jeong KH, Abdel-Razek A, Lee LY, Elman E, et al. Potential biomarkers for predicting outcomes in CABG cardiothoracic surgeries. J Cardiothoracic Surg. 2013;8:176. [10.1186/ 1749-8090-8-176] [PMID]

14. Chen C, Qin C, Qiu H, Tarroni G, Duan J, Bai W, et al. Deep learning for cardiac image segmentation: a review. Front Cardiovasc Med. 2020;7:25. [10. 3389/fcvm.2020.00025] [PMID]

15. Hijazi E. Enhancing mortality prediction after coronary artery bypass graft: a machine learning approach utilizing euroScore. Future Sci OA. 2024;10(1):FSO959. [10.2144/fsoa-2023-0152] [PMID]

16. Behnoush AH, Khalaji A, Rezaee M, Momtahen S, Mansourian S, Bagheri J, et al. Machine learning-based prediction of 1-year mortality in hypertensive patients undergoing coronary revascularization surgery. Clin Cardiol. 2023;46(3):269-78. [10.1002/clc.23963] [PMID]

17. Elmahrouk A, Daoulah A, Panduranga P, Rajan R, Jamjoom A, Kanbr O, et al. Leveraging machine learning to enhance postoperative risk assessment in coronary artery bypass grafting patients with unprotected left main disease: a retrospective cohort study. Int J Surg. 2024;110(11):7142-9. [10.1097/ JS9.0000000000002032] [PMID]

18. Ninomiya K, Kageyama S, Shiomi H, Kotoku N, Masuda S, Revaiah PC, et al. Can machine learning aid the selection of percutaneous vs surgical revascularization? J Am Coll Cardiol. 2023; 82(22): 2113-24. [10.1016/j.jacc.2023.09.818] [PMID]

19. Mori M, Durant TJS, Huang C, Mortazavi BJ, Coppi A, Jean RA, et al. Toward dynamic risk prediction of outcomes after coronary artery bypass graft: improving risk prediction with intraoperative events using gradient boosting. Circ Cardiovasc Qual Outcomes. 2021;14(6): e007363. [10.1161/ CIRCOUTCOMES. 120.007363] [PMID]

20. Karim MN, Reid CM, Cochrane A, Tran L, Alramadan M, Hossain M, et al. Mortality risk prediction models for coronary artery bypass graft surgery: current scenario and future direction. J Cardiovasc Surg. 2017; 58(6):931–42. [10.23736/S0021-9509. 17.09965-7] [PMID]

21. Rodseth RN, Smith D, Maslo C, Laubscher A, Thabane L. A critical analysis of Discovery Health's claims-based risk adjustment of mortality rates in South African private sector hospitals. S Afr Med J. 2022;113(1):13–6. [10.7196/SAMJ.2023.v113i1.16768] [PMID]

22. Ma Y, Li M, Wu H. The machine learning models in major cardiovascular adverse events prediction based on coronary computed tomography angiography: systematic review. J Med Int Res. 2025;27:e68872. [10.2196/68872] [PMID]

23. Williams MC, Guimarães ARM, Jiang M, Kwieciński J, Weir-McCall JR, Adamson PD, et al. Machine learning to predict high-risk coronary artery disease on CT in the Scot-Heart trial. Open Heart. 2025;12(2):e003162. [10.1136/openhrt-2025-003162] [PMID]

24. TrivediRK, Chiu IM, Hughes JW, Rogers AJ, Ouyang D. (2025) Deep learning on electrocardiogram waveforms to stratify risk of obstructive stable coronary artery disease. Eur Heart J Digit Health. 2025;6(3):456–65. [10.1093/ehjdh/ztaf020] [PMID]

25. Brendel JM, Walterspiel J, Hagen F, Kübler J, Brendlin AS, Afat S, et al. Coronary artery disease detection using deep learning and ultrahigh-resolution photon-counting coronary CT angiography. Diagn Interv Imaging. 2025;106(2):68-75. [10.1016/j.diii.2024.09.012] [PMID]

26. Zreik M, Lessmann N, Van Hamersvelt RW, Wolterink JM, Voskuil M, Viergever MA, et al. Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis. Med Image Anal. 2018;44:72–85. [10.1016/j.media.2017.11.008] [PMID]

27. Lin A, Manral N, McElhinney P, Killekar A, Matsumoto H, Kwiecinski J, et al. Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction: an international multicentre study. Lancet. Digit Health. 2022;4(4):256–65. [10.1016/S2589-7500(22)00066-8] [PMID]

28. Zreik M, van Hamersvelt RW, Khalili N, Wolterink JM, Voskuil M, Viergever MA, et al. Deep learning analysis of coronary arteries in cardiac CT angiography for detection of patients requiring invasive coronary angiography. IEEE Trans Med Imaging. 2020;39(5):1545-57. [10.1109/TMI.2019.2953054] [PMID]

29. Yang S, Koo BK, Hoshino M, Lee JM, Murai T, Park J, et al. CT angiographic and plaque predictors of functionally significant coronary disease and outcome using machine learning. JACC Cardiovasc Imaging. 2021;14(3):629-41. [10.1016/j.jcmg.2020.08.025] [PMID]

30. Gupta V, Petursson P, Rawshani A, Boren J, Ramunddal T, Bhatt DL, et al. End-to-end deep-learning model for the detection of coronary artery stenosis on coronary CT images. Open Heart. 2025;12(1):e002998. [10.1136/openhrt-2024-002998] [PMID]

31. Lee H, Kang BG, Jo J, Park HE, Yoon S, Choi SY, et al. Deep learning-based prediction for significant coronary artery stenosis on coronary computed tomography angiography in asymptomatic populations. Front Cardiovasc Med. 2023;10:1167468. [10.3389/fcvm.2023.1167468] [PMID]

32. Lin A, Kolossváry M, Maurovich-Horvat P, Slomka PJ, Otaki Y, Tamarappoo B, et al. Machine learning from quantitative coronary computed tomography angiography predicts fractional flow reserve-defined ischemia and impaired myocardial blood flow. Circ Cardiovasc Imaging. 2022;15(10):e014369. [10.1161/CIRCIMAGING.122.014369] [PMID]

33. Yuan N, Kwan AC, Duffy G, Theurer J, Chen JH, Nieman K, et al. Prediction of coronary artery calcium using deep learning of echocardiograms. J Am Soc Echocardiogr. 2023;36(5):474-81. [10.1016/j.echo.2022.12.014] [PMID]

34. van Hamersvelt RW, Zreik M, Voskuil M, Viergever MA, Išgum I, Leiner T. Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis. Eur Radiol. 2019;29(5):2350–9. [10.1007/s00330-018-5822-3] [PMID]