病例和对照选择对训练人工智能查心脏粉症的影响
Amey Vrudhula1, Lily Stern1, Paul C Cheng2
1Department of Cardiology, Smidt Heart Institute, Cedars-Sinai Medical Center, Los Angeles, California, USA.
JACC. Advances
|October 7, 2024
概括
使用人工智能 (AI) 的心脏粉症 (CA) 查模型在一般人群中表现类似,无论在培训期间是否严格选择病例. 这表明,即使使用较少精选的数据,AI模型也可以有效地训练,以便广泛进行CA选.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 心脏氨基粉症 (CA) 越来越多地得到认可,但仍然被严重低诊断.
- 在像CA这样的罕见疾病中训练人工智能模型的最佳数据选择尚未确立.
- 对CA的低诊断凸显了需要改进查工具的需要.
研究的目的:
- 为了评估AI模型的性能,使用心电图 (ECG) 波形进行CA查.
- 评估不同案例和控制选择标准对AI模型性能的影响.
- 为了确定训练在精心策划的与不那么精心策划的数据集上的人工智能模型的概括性.
主要方法:
- 在34万多名患者的大型队列中训练了AI模型,大约有130万个心电图.
- 用于病例 (例如ICD代码,临床诊断) 和对照的各种定义.
- 在持有数据集和一般患者群体队列上测试模型.
主要成果:
- 模型性能因测试队列而异,在匹配的数据集中AUC从0.660到0.898不等.
- 在对更广泛的患者群体进行测试时,概括性下降,在某些情况下,AUC下降.
- 用国际疾病分类9/10代码和年龄/性别匹配的人口对照训练的模型显示出最好的查性能.
结论:
- 针对CA查的AI模型在人口层面的查中表现相似,无论在培训期间的病例选择是否严格.
- 缺乏专门诊所的机构可以使用更少的数据开发有效的AI模型.
- 评估AI算法性能需要对临床相关人群进行评估,而不仅仅依赖AUC等指标.
