In dem vorliegenden Conference-Paper wurde untersucht, wie Deep Learning-Methoden genutzt werden können, um durch die Analyse sonographischer Merkmale der Halsschlagader arterielle Schäden vorauszusagen. Mithilfe neuartiger Algorithmen wurden die Bilddaten des Ultraschalls ausgewertet, um subklinische Hinweise auf Arteriosklerose zu identifizieren. Die Forscher fanden heraus, dass bestimmte sonographische Merkmale der Karotis als verlässliche Stellvertreter zur Vorhersage von kardiovaskulären Ereignissen dienen können, was die Risikobewertung und Prävention verbessern könnte.
Balada, C. et al. (2025). Deep Learning for Cardiovascular Risk Assessment: Proxy Features from Carotid Sonography as Predictors of Arterial Damage. In: Ali, S., Hogg, D.C., Peckham, M. (eds) Medical Image Understanding and Analysis. MIUA 2025. Lecture Notes in Computer Science, vol 15918. Springer, Cham. https://doi.org/10.1007/978-3-031-98694-9_18