El aprendizaje de transferencia puede predecir la presencia de miocardio en hibernación a partir de imágenes de...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• El miocardio en hibernación, un estado de músculo cardíaco disfuncional pero viable debido a isquemia crónica, puede recuperarse potencialmente después de la revascularización.
• La identificación precisa del miocardio en hibernación es crucial para guiar las estrategias de tratamiento y mejorar los resultados del paciente.

Objetivo del estudio:

• Evaluar la viabilidad del uso de técnicas de aprendizaje de transferencia para predecir el miocardio en hibernación a partir de imágenes de perfusión miocárdica en reposo.
• Evaluar el rendimiento de los modelos de aprendizaje profundo en la identificación de la viabilidad miocárdica.

Principales métodos:

• Los mapas polares de perfusión miocárdica en reposo se procesaron utilizando InceptionV3 de Google para la extracción de características.
• Los algoritmos de refuerzo de gradiente, incluido el refuerzo de gradiente extremo (xgboost), se entrenaron y validaron utilizando una validación cruzada estratificada de 10 veces.
• El rendimiento del modelo se evaluó utilizando métricas como el AUC, la precisión de la clasificación y la puntuación F1, con la interpretabilidad evaluada a través de gráficos SHAP.

Principales resultados:

• El estudio incluyó a 239 pacientes, de los cuales el 51,5% fue diagnosticado con miocardio en hibernación.
• Todos los modelos demostraron métricas de rendimiento superiores a 0.700 en conjuntos de datos.
• Xgboost obtuvo el rendimiento más alto en el conjunto de pruebas con una puntuación F1 de 0,800, una precisión de 0,774, una especificidad de 0,909 y un AUC de 0,782.

Conclusiones:

• El aprendizaje de transferencia es un método factible para predecir el miocardio en hibernación a partir de imágenes de perfusión miocárdica en reposo.
• La combinación de redes neuronales convolucionales profundas y modelos de aumento de gradiente muestra un potencial significativo para la evaluación de la viabilidad miocárdica basada en el aprendizaje automático.
• Este estudio proporciona evidencia temprana que apoya el uso de la IA en la evaluación de la viabilidad miocárdica.