使用混合深度学习范式进行心血管疾病风险分层:在加拿大试验数据上,这是首次出现这种情况
Mrinalini Bhagawati1, Sudip Paul1, Laura Mantella2
1Department of Biomedical Engineering, North-Eastern Hill University, Shillong 793022, India.
Diagnostics (Basel, Switzerland)
|September 14, 2024
概括
与传统的机器学习相比,混合深度学习 (HDL) 模型显著改善了心血管疾病 (CVD) 风险预测. 阿塞罗EdgeTM 3.0HDL显示出卓越的性能和临床适应性,用于增强心血管疾病风险分层.
科学领域:
- 医疗成像中的人工智能
- 心血管疾病风险预测预测
- 为医疗保健提供深度学习.
背景情况:
- 心血管疾病 (CVD) 风险评估传统上依赖于状动脉斑块评估.
- 开发的AtheroEdgeTM 3.0HDL是为了利用状动脉斑块的特征来改善心血管疾病风险预测.
- 该研究假设混合深度学习 (HDL) 优于其他深度学习和机器学习 (ML) 方法.
研究的目的:
- 评估AtheroEdgeTM 3.0HDL在预测心血管疾病 (CVD) 风险方面的有效性.
- 将混合深度学习 (HDL) 模型的性能与传统机器学习 (ML) 和其他深度学习范式进行比较.
- 为了验证AtheroEdgeTM 3.0HDL系统的可靠性和临床适应性.
主要方法:
- 分析了500名患有动脉B模式超声波和冠状动脉血管学数据的研究队列.
- 机器学习 (ML) 功能选择使用主要组件分析 (PCA),奇平方测试 (CST) 和随机森林回归 (RFR).
- 开发了六种新的混合深度学习 (HDL) 模型,并与使用可见和不可见数据集的单向/双向深度学习和ML模型进行了验证.
主要成果:
- 混合深度学习 (HDL) 系统在可见数据集 (0.954 vs 0.702) 上显示了比机器学习 (ML) 系统的30.20%的性能改进.
- ML特征提取分析显示,PCA,CST和RFR方法之间有70%的共同点.
- AtheroEdgeTM 3.0HDL表现出极好的概括性,可见和不可见数据之间的差异不到1% (p值<0.001),符合监管标准.
结论:
- 该假设得到了科学验证,证实了AtheroEdgeTM 3.0HDL在心血管疾病风险预测方面的卓越性能.
- 通过严格的测试,AtheroEdgeTM 3.0HDL模型证明了可靠性和稳定性.
- 该系统在临床上具有适应性,为改善心血管疾病风险分层提供了潜力.
