Estimación automatizada de la masa del ventrículo izquierdo derivada de tomografía computarizada mediante red...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Imagen Médica

Sus antecedentes:

• La masa del ventrículo izquierdo (MVI) es un indicador crucial de la salud cardiovascular.
• La estimación precisa de la MVI es vital para diagnosticar y controlar afecciones cardíacas.
• Los métodos no invasivos actuales para la evaluación de la MVI tienen limitaciones.

Objetivo del estudio:

• Introducir eLVMass-Net, un modelo de aprendizaje profundo para estimar la MVI utilizando ECG de 12 derivaciones.
• Evaluar el rendimiento de eLVMass-Net frente a métodos de vanguardia.
• Investigar la utilidad de los modelos específicos para el sexo para mejorar la estimación de la MVI y la clasificación de la hipertrofia ventricular izquierda (HVI).

Principales métodos:

• Se desarrolló eLVMass-Net utilizando señales de ECG sin procesar, datos demográficos y parámetros de ECG del conjunto de datos TW-CVAI (n=1459).
• Se procesaron formas de onda sincronizadas de latido único con una red neuronal convolucional temporal (TCN).
• Se validó externamente en el conjunto de datos NTUH (n=2579) y se comparó con dos modelos SOTA, incluidas variaciones específicas para el sexo.

Principales resultados:

• La eLVMass-Net no específica para el sexo logró una MAE de 14,3 ± 0,7 g y una MAPE de 12,9 ± 1,1 % mediante validación cruzada de cinco pliegues.
• eLVMass-Net superó a los modelos SOTA tanto en la estimación de MVI como en la clasificación de HVI.
• Los modelos específicos para el sexo demostraron una clasificación superior de HVI (estadística c: 0,77 hombres, 0,75 mujeres) en comparación con el modelo no específico para el sexo (0,70).

Conclusiones:

• eLVMass-Net, con extracción de latidos únicos sincronizados y TCN, supera los métodos anteriores de estimación de MVI basados en ECG.
• El desarrollo de modelos específicos para el sexo es un enfoque racional y eficaz para mejorar la precisión diagnóstica.
• Los mapas de saliency del modelo indicaron una ponderación de características específica del género en el segmento ST-T para la predicción de MVI.