深度学习预测心力衰竭患者的存活率,使用胸部X射线图

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 心力衰竭 (HF) 带来了显著的发病率和死亡率挑战.
• 深度学习对于使用胸部放射图的HF患者的生存预测的实用性仍未得到充分探索.

研究的目的:

• 开发和验证一种深度学习模型,用于预测心力衰竭患者使用胸部X射线 (DLSPCXR) 的存活率.
• 将临床数据与深度学习模型集成,以创建一个增强的预测工具 (DLSPinteg).

主要方法:

• 353名HF患者的回顾性招募,进行胸部X射线 (CXRs).
• 数据集分为培训 (n=247) 和验证 (n=106) 集.
• 开发Cox模型和深度学习模型 (DLSPCXR,DLSPinteg) 用于生存预测.
• 使用依赖时间的接收器运行特征曲线 (TD AUC) 下的面积的性能评估.

主要成果:

• 多变量考克斯分析确定年龄,NT-ProBNP,sPAP>50 mmHg,NYHA类III-IV和CTR≥0.62作为预后不良的独立预测因素.
• 与成像科克斯模型相比,DLSPCXR显示出更高的5年生存预测 (AUC:0.757与0.561).
• DLSPinteg的表现优于临床考克斯 (AUC:0.826对比0.633),成像考克斯 (AUC:0.826对比0.555),以及DLSPCXR (AUC:0.826对比0.767).

结论:

• 深度学习模型,特别是DLSPinteg,显示出使用胸部X射线图预测心力衰竭患者的存活率的巨大潜力.
• 这些人工智能驱动的方法提供了可接受的准确性,并可能提高HF护理中的预后评估.