在没有患者特定几何形状的情况下,使用深度学习对心室激发源的非侵入性定位

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 心血管疾病每年造成数百万人的死亡,心脏突然死亡通常与心室动脉冲动 (VT) 相关.
• 导管切除是静脉瘤的治疗方法,但精确地定位异常电源是具有挑战性和耗时的.
• 目前的局部化方法通常需要患者特定的几何和侵入性程序.

研究的目的:

• 开发和评估基于新型卷积神经网络 (CNN) 的技术,用于定位VT激活源.
• 创建独立于患者特定几何形状的方法,直接适用于表面心电图 (ECG) 信号.
• 为了提高VT源定位的速度和准确性,用于增强的导管切除手术.

主要方法:

• 开发了两种基于CNN的本地化技术,处理表面心电图信号.
• 这些方法旨在提供二进制的跨壁位置,并在一个案例中对潜在源位置进行了排名.
• 在模拟数据上训练CNN,并在模拟和临床数据集上进行评估.

主要成果:

• 在模拟数据上,CNN的中位定位误差低于3毫米.
• 在临床数据中,中位定位误差在32毫米至41毫米之间,在排名前三的解决方案中降至20毫米.
• 在高达82%的临床病例中,正确检测到跨壁位置.

结论:

• 通过使用表面心电图,CNN可以有效地定位静脉动激活源,而不需要患者特定的几何形状.
• 拟议的方法显示出加速静脉瘤切除手术,降低风险和改善患者治疗结果的潜力.
• 提供排名的解决方案可以帮助医生识别真正的VT来源,预计进一步优化将提高临床效用.