基于深度神经网络的变形曲线聚类揭示了PLN病原型变体载体中的新型疾病特征
Karim Taha1,2, Rutger R van de Leur1,2, Melle Vessies1,3
1Department of Cardiology, University Medical Center Utrecht, Heidelberglaan 100, 3584 CX, Utrecht, The Netherlands.
The international journal of cardiovascular imaging
|August 11, 2023
概括
深度神经网络 (DNN) 可以检测疾病特征在声心脏图形变形曲线的斯兰班 (PLN) 变异载体. 这种可解释的AI方法可以识别新的疾病模式,改善 PLN相关疾病的风险分层.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 遗传学 遗传学 是一个
背景情况:
- 心声学变形曲线为心肌功能提供了洞察力.
- 深度神经网络 (DNN) 显示出对这些曲线进行自动分析的潜力.
- 索兰班 (PLN) p.Arg14del 变种携带者为研究心脏病特征提供了一个相关的队列.
研究的目的:
- 研究一种可解释的基于DNN的管道,用于检测和可视化心声学变形曲线中的疾病特征.
- 确定和描述与PLN p.Arg14del变种相关的疾病模式.
- 评估这种方法对个人风险分层的潜力.
主要方法:
- 一个DNN被训练,以区分PLN变体载体与使用纵向2D光跟踪变形曲线的对照.
- 一种可视化技术确定了DNN用于分类的关键曲线段.
- 基于已识别的变形曲线特征,对组载体进行了聚类分析.
主要成果:
- 该DNN取得了优异的歧视性表现 (C-统计数据为0.93).
- 确定了四个PLN相关的疾病特征集群,包括已知的 (峰后缩,减少缩应变) 和新的 (延迟放松) 模式.
- 第五组没有明显的疾病特征的变异携带者,被归类为对照,显示了良性临床过程关于心室失常.
结论:
- 一个可解释的DNN管道有效地检测和可视化心肌变形曲线中的疾病特征.
- 发现了与PLN变种相关的新型疾病特征,可能会增强个体风险分层.
- 这种人工智能驱动的方法可以促进对各种心脏病的疾病特异性变形模式的理解.
更多相关视频
08:22A Novel Strategy Combining Array-CGH, Whole-exome Sequencing and In Utero Electroporation in Rodents to Identify Causative Genes for Brain Malformations
Published on: December 1, 2017
8.7K
07:15Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
Published on: January 16, 2019
11.0K
