多模式深度心脏病发作:使用复合的in-silico-human数据学习方法进行心肌梗塞的非侵入性鉴定

科学领域:

• 心血管成像 - 心血管成像
• 机器学习在医学中的应用
• 生物医学工程 生物医学工程

背景情况:

• 心肌梗塞 (MI) 是一个主要的全球健康问题,需要准确的心脏梗塞量化患者管理.
• 晚期加多增强-心磁共振 (LGE-CMR) 是心脏病成像的黄金标准,但需要具有潜在毒性的侵入性加多对比剂.
• 基于加多的对比剂存在风险,特别是在慢性病患者中.

研究的目的:

• 开发一种完全非侵入性的方法,用于识别左心室心脏病发作区域的位置和范围.
• 使用机器学习 (ML) 模型,仅使用心脏应变数据作为输入,绕过对比剂的需求.
• 建立一种新的心脏病发作量化方法,以提高诊断安全性和可访问性.

主要方法:

• 开发一个多忠度机器学习模型.
• 在模型训练中使用in-silico生成的动物心脏菌株数据 (低可靠性).
• 整合有限的患者特异性人类心脏菌株数据 (高可靠性) 来完善预测.

主要成果:

• 多忠度ML模型准确地预测了LGE的基本真相,在心脏病发作局部化和量化方面表现出高性能.
• 非侵入性方法成功地识别了心脏病发作组织的程度和位置,没有使用对比剂.
• 合成和有限的人类数据的结合在训练ML模型方面被证明是有效的.

结论:

• 一种使用心脏菌株的基于ML的新型非侵入性方法可以准确评估心肌梗塞的程度.
• 这种方法为LGE-CMR提供了更安全的替代方案,减轻了与加多对比剂相关的风险.
• 通过合成数据来增强有限的人类数据的战略,为在数据稀缺的生物医学应用中开发预后工具提供了一个有希望的范式.