移転学習は,静止状態の心筋 perfusion 画像から冬眠状態の心筋の存在を予測することができます

科学分野:

• 心臓病科
• 人工知能
• 医療用イメージング

背景:

• 冬眠状態の心筋は,慢性的な缺血による機能不全でも生存可能な状態であり,リバスカライゼーション後に潜在的に回復することができます.
• 冬眠状態の心筋を正確に特定することは,治療戦略を導き,患者の治療結果を改善するために不可欠です.

研究 の 目的:

• 静止状態の心筋 perfusion イメージから冬眠状態の心筋を予測するために,移転学習技術を使用する可能性を評価する.
• 心筋活性を特定するためのディープラーニングモデルのパフォーマンスを評価する.

主な方法:

• 機能抽出のためにGoogleのInceptionV3を使用して,休息心筋 perfusion極地図を処理しました.
• エクストリーム・グラデーション・ブースティング (xgboost) を含むグラデーション・ブースティング・アルゴリズムは,階層化された10倍クロス・バリデーションを使用してトレーニングおよび検証された.
• モデル性能は,AUC,分類精度,F1スコアなどのメトリックを使用して評価され,解釈性はSHAPグラフで評価されました.

主要な成果:

• この研究には239人の患者が参加し,51. 5%が冬眠状態の心筋症と診断された.
• すべてのモデルでは,データセット全体で 0.700 を超えるパフォーマンスメトリックが示されました.
• Xgboostは,F1スコア0. 800,精度0. 774,特異性0. 909,AUC0. 782でテストセットで最高の性能を達成しました.

結論:

• 移転学習は,静止状態の心筋 perfusion 画像から冬眠状態の心筋を予測する実行可能な方法である.
• ディープコンボリューションニューラルネットワークとグラデーションブースティングモデルの組み合わせは,機械学習ベースの心筋活性の評価のための重要な可能性を示している.
• この研究は,心筋活性を評価する際にAIの使用を支持する初期の証拠を提供します.