基于机器学习算法的左心房附属体高凝血的放射学预测模型:对心脏计算机断层扫描血管图像成像的探索

科学领域:

• 心脏病学 心脏病学
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 过食管回声心电图 (TEE) 是诊断心房动 (AF) 中左心房附属体 (LAA) 高凝血性的标准.
• LAA高凝性涉及血栓/泥,密集的自发回声对比度和缓慢的血液流速 (<0.25 m/s).
• 需要使用替代诊断方法和抗凝固调整策略.

研究的目的:

• 开发和验证机器学习模型,使用心脏计算机断层扫描血管学 (CCTA) 放射学来诊断AF患者的LAA高凝性.
• 探索CCTA放射学特征在预测LAA高凝固性的有用性.
• 构建一个结合模型,结合临床特征和放射学,以改善预测和抗凝调整指导.

主要方法:

• 包括652名非膜AF患者.
• 单变量分析来选择预测性临床特征.
• 使用3D Slicer软件从CCTA图像中提取放射学特征.
• 使用最小绝对收缩和选择操作员逻辑回归和机器学习算法的预测模型的开发.
• 构建一个结合临床数据和放射学分数的诺莫格拉姆模型.

主要成果:

• 放射学得分在接收器操作特征曲线下的面积达到0.8449 (训练集) 和0.7998 (验证集).
• 诺米图模型显示一致性指数为0.838.
• 基于机器学习的预测模型获得了0.85.5的最佳f1得分.
• 放射学特征,如最大直径长和左心室Hounsfield单元的高均性是显著的预测因素,超过了临床特征.

结论:

• 来自CCTA的放射学特征显示,在AF患者中,LAA高凝血性具有显著的预测价值.
• 结合CCTA放射学和临床数据的机器学习模型为高凝固状态查提供了可靠的方法.
• 这些模型支持AF管理中的反凝血调整策略.