从SPECT MPI和CCTA成像中预测主要心血管不良事件的患者级可解释的机器学习

科学领域:

• 心血管成像和诊断系统
• 机器学习在医学中的应用
• 对心血管疾病的预测分析.

背景情况:

• 机器学习 (ML) 显示了在SPECT MPI和冠状动脉CT血管造影 (CCTA) 等非侵入性心血管成像中增强风险预测的潜力.
• 当前的ML算法经常充当"黑子",限制了对预测机制的临床理解.
• 整合各种临床数据与CCTA和SPECT评估对于准确的患者风险分层至关重要.

研究的目的:

• 开发一种可解释的机器学习 (ML) 方法来预测主要心血管不良事件 (MACE).
• 利用临床,CCTA和SPECT数据进行MACE预测.
• 在全球和患者层面确定关键风险预测因素.

主要方法:

• 用自动机器学习 (AutoML) 方法对接受CCTA和SPECT MPI的患者进行MACE预测.
• 数据包括连续怀疑冠状动脉疾病 (CAD) 的患者的临床信息,CCTA和SPECT发现.
• 使用可解释的AI技术来识别关键风险预测因素,并对模型评估进行了10倍的交叉验证.

主要成果:

• 这项研究包括956名患者,其中11%的患者经历了MACE.
• 该ML模型实现了高预测性能:69.61%的灵敏度,99.77%的特异性和96.54%的准确性MACE.
• 最重要的预测因素包括CCTA属性 (例如,分段参与得分,斑块特征) 和临床因素 (例如,心脏病史,吸烟状况).

结论:

• 机器学习准确地预测了在接受SPECT MPI和CCTA用于疑似CAD的患者中MACE风险.
• 可解释的ML有效地从成像和临床数据中识别出关键的预测特征.
• 这种方法增强了心血管患者的风险分层和临床决策.