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:

• 生物医学工程 生物医学工程
• 心血管成像 - 心血管成像
• 人工智能在医学中的应用

背景情况:

• 心肌梗塞 (MI) 是全球主要的死亡原因.
• 准确的心脏病发作量化对于患者管理至关重要.
• 目前的黄金标准是晚期加多增强-心脏磁共振 (LGE-CMR),使用有毒的加多对比剂.

研究的目的:

• 开发一种非侵入性方法来识别和量化心肌梗塞.
• 使用机器学习 (ML) 以心脏应变数据作为输入.
• 克服侵入性LGE-CMR的局限性,特别是在患有脏疾病的患者中.

主要方法:

• 开发了一个多忠度机器学习模型.
• 训练模型使用in-silico动物数据 (低可靠性) 和有限的人类患者数据 (高可靠性) 的组合.
• 验证了该模型仅使用心脏应变数据预测LGE基本真相的能力.

主要成果:

• ML模型准确地确定了左心室中心脏病发作区域的位置和范围.
• 多忠实性方法在预测LGE方面表现出色.
• 在没有侵入性对比剂的情况下,成功预测了心脏病发作程度.

结论:

• 一种基于ML的新型非侵入性方法可以使用心脏应变准确评估心肌梗塞.
• 结合合成和有限的现实世界数据是开发预测工具的可行策略.
• 这种方法为在数据有限的医疗保健场景中创建可行的诊断工具提供了一个范式转变.