在使用深度学习的心电图像上鉴定高伤心肌病

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:

• 超性心肌病 (HCM) 影响200人中的1人,是年轻人突然心脏死亡的主要原因.
• 目前用于HCM检测的深度学习方法依赖于原始心电图 (ECG) 电压数据,限制了护理点的应用.
• 开发可访问的HCM查方法对于早期干预至关重要.

研究的目的:

• 开发和验证一种深度学习模型,用于直接从12导电心电图 (ECG) 图像中检测缩性心肌病 (HCM).
• 克服获取原始心电图信号数据的局限性,以便在护理中心进行HCM查.
• 评估模型在不同临床环境和外部队列中的表现.

主要方法:

• 在124,553张来自66,987个人的心电图像上训练了一种深度学习模型,其中包括具有证实HCM特征的患者.
• 模型验证在YNHH内部进行,并使用英国生物银行队列进行外部验证.
• 使用梯度加权类激活映射来定位歧视性的心电图信号模式.

主要成果:

• 该模型在HCM检测方面实现了高分辨率,在内部验证中,接收操作特征曲线 (AUROC) 下的面积为0.96,在英国生物银行队列中为0.94.
• 模型的阳性查与CMR确认的HCM (OR 102.4) 有着强烈的关联.
• 在ECG图像的前面和侧面导线 (V4-V5) 定位了歧视性模式.

结论:

• 一个深度学习模型有效地从心电图像中识别过高心肌病 (HCM),显示出出色的区别.
• 这种基于图像的方法为HCM查提供了一个自动化,高效和可访问的策略.
• 该模型的外部验证证实了其广泛临床应用的潜力.