Das Conference-Paper befasst sich mit der Anwendung von Deep-Learning-Techniken zur Bewertung des kardiovaskulären Risikos, indem sie proxy-bezogene Merkmale aus der Ultraschalluntersuchung der Halsschlagader analysiert. Ziel ist es, arterielle Schäden und strukturelle Veränderungen frühzeitig zu detektieren und dadurch präzisere Risikovorhersagen zu ermöglichen. Die Arbeit stützt sich auf den Abgleich multimodaler Ultraschalldaten mit klinischen Endpunkten und zeigt, dass solche KI-basierten Ansätze vielversprechende Prädiktoren für Gefäßschäden und damit verbundene kardiovaskuläre Ereignisse darstellen können. Damit leistet die Arbeit einen wichtigen Beitrag zur Integration moderner Bildanalyseverfahren in die klinische Risikoabschätzung.

Balada, C. et al. (2026). 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