通过减少顺序的建模和分类来导出左心室流量的可解释度量
María Guadalupe Borja1, Pablo Martinez-Legazpi2, Cathleen Nguyen3
1Department of Mechanical and Aerospace Engineering, University of California San Diego, La Jolla, CA.
medRxiv : the preprint server for health sciences
|October 24, 2023
概括
心脏流量的减少顺序模型 (ROM),结合机器学习,可以推导出简单的,可解释的指标,如向喷射能量比率,以诊断心脏病,如扩张性和高性心肌病.
科学领域:
- 心血管成像 - 心血管成像
- 生物医学工程 生物医学工程
- 机器学习在医学中的应用
背景情况:
- 提取可解释的心脏流量指标对临床应用具有挑战性.
- 减少顺序模型 (ROM) 提供了一种策略,可以从先进的心脏流量成像中推导可解释的临床指标.
- 整合ROM与机器学习 (ML) 可以为诊断和风险分层心脏病患者提供见解.
研究的目的:
- 为了研究患者特异性和队列特异性心室内流的ROMs的实用性,以获得简单,可解释的临床指标.
- 确定ROM的ML分析是否可以有效地区分不同的心脏病和健康对照.
- 为了确定到喷气 (V2J) 能量比率作为潜在的诊断生物标志物.
主要方法:
- 分析了81名扩张性心肌病 (DCM) 患者,51名多变性心肌病 (HCM) 患者和77名对照者的2D彩色多普勒回声心脏图.
- 应用正确的直角分解 (POD) 来构建患者和队列特定的左心室 (LV) 流动的ROM.
- 使用了具有不同监督级别的简单ML分类器来分析ROM,优化分类功率并通过向量流映射解释结果.
主要成果:
- 基于POD的ROM有效地代表了所有队列,主要模式捕获了超过80%的流动动能 (KE).
- 确定了前两个POD模式 (vortex-to-jet,V2J) 的KE比率是一个简单的,可解释的指标.
- V2J能量比率表现出强大的区分能力,在接收机运行特征分析中达到0.81-0.95的曲线下的面积,以区分DCM,HCM和控制组.
结论:
- 心脏流动的模态分解可以产生代表正常和病态流动模式的ROM.
- 这种方法揭示了能够区分疾病状态的简单,可解释的流量指标.
- 开发的ROM和衍生指标适合使用临床应用的ML进行进一步分析.
