机器学习量化肺回分数从心电回声学
Jennifer Cohen1,2, Son Q Duong3,4,5,6, Naveen Arivazhagan7
1Department of Pediatrics, Icahn School of Medicine at Mount Sinai, New York, NY, USA.
Pediatric cardiology
|May 10, 2024
概括
机器学习准确地预测了使用心声回声学来预测肺部反分数,与临床医生的准确度相匹配. 肺动脉分支的扩张性流量逆转是轻度至中度吐的强有力的指标.
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:
- 肺反 (PR) 评估对于先天性心脏病管理至关重要.
- 心声学在量化PR分数 (PRF) 中存在局限性,而心脏MRI (cMRI) 是黄金标准.
- 准确的PRF量化对于指导治疗决策至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 算法,用于从心声图数据中预测cMRI量化PRF.
- 将ML模型的性能与临床医生的准确性和之前报告的算法进行比较.
- 在PRF评估中评估分支肺动脉透气流逆转 (BPAFR) 的实用性.
主要方法:
- 在3个月内对243名患有PR的患者进行了回声心脏图和cMRI后期分析.
- 开发了一个梯度增强树木ML算法,使用诸如静脉收缩比率,PR指数,PR压力半场时间和BPAFR等参数.
- 评估ML模型的回归性能 (MAE) 和临床值 (AUROC) 的分类准确性,并进行外部验证.
主要成果:
- 对于PRF回归,ML模型实现了7.0%的平均绝对误差 (MAE).
- 对于预测PRF>轻度 (≥20%),接收器操作特征曲线 (AUROC) 下的面积为0.96,尽管单独BPAFR显示出更高的灵敏度 (94%) 和特异性 (97%).
- 对于检测严重PR (≥40%) 的ML模型的AUROC为0.86,但BPAFR的性能降至0.73;整体准确性与临床医生 (69%对70%) 相比.
结论:
- 一个新的ML模型用于回声心脏图 PRF量化显示出希望,超过之前的研究和匹配临床医生的准确性.
- 分支肺动脉扩张流逆转 (BPAFR) 是识别轻度至中度PR的高效标志物,但对重度PR的准确性中等.
- 外部验证的挑战凸显了在心血管成像研究中需要强大的,可重复的算法.


