机器学习辅助功能识别和预测使用计算机断层扫描在CTEPH患者血液动力学终点
Joshua Gawlitza1, Sophie Endres2, Peter Fries2
1Clinic/Institute of Diagnostic and Interventional Radiology, Klinikum rechts der Isar, Technical University of Munich, Ismaninger Straße 22, 81675, Munich, Germany. joshua.gawlitza@tum.de.
The international journal of cardiovascular imaging
|December 24, 2023
概括
机器学习模型可以使用CT成像功能预测慢性血栓栓塞性肺高血压 (CTEPH) 中的血液动力风险. 这种非侵入性方法有助于对患有这种潜在可治愈疾病的患者进行风险分层.
科学领域:
- 放射学 放射学是一门学科.
- 心脏病学 心脏病学
- 人工智能的人工智能
背景情况:
- 慢性血栓栓塞性肺高血压 (CTEPH) 是肺高血压的一个罕见的,潜在的可治愈的原因.
- 目前PH的诊断依赖于右心导管,CT用于差异诊断和手术规划.
研究的目的:
- 评估CTEPH中定量和定性成像特征的意义.
- 开发一种机器学习模型,以非侵入性地预测血液动力学风险组.
主要方法:
- 127名CTEPH患者接受了手术前的右心脏导管和胸部CT血管造影.
- 分析了19个定性/定量成像特征和3个血液动力学参数.
- 一个随机的森林算法被训练使用成像功能来预测血液动力学风险.
主要成果:
- 图像特征显示与血液动力学参数的中度至强度相关性.
- 机器学习模型的AUC得分为0.82的肺动脉平均压力和0.74的肺动脉氧和风险分层.
- 关键的预测特征包括对比剂的保留,马赛克衰减和右心房与左心室的比率.
结论:
- 手术前CT成像特征与CTEPH患者的血液动力学参数相关.
- 图像数据的机器学习分析可以实现非侵入性风险分层.
- 定性成像特征对于预测CTEPH中血液动力学风险至关重要.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
1.7K
