使用基于放射学的机器学习来识别冬眠的心肌的一个新方法

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 评估心肌活力对于管理缺血性心脏病至关重要.
• 冬眠的心肌,尽管输液减少,但其收缩能力受损的特征,需要精确检测.
• 目前的方法可能在充分表征心肌活力方面存在局限性.

研究的目的:

• 评估使用机器学习 (ML) 与静止心肌输液成像 (MPI) 的放射学特征来检测冬眠心肌的可行性.
• 探索ML在识别微妙 perfusion 缺陷中的潜力,这些缺陷表明心肌正在冬眠.

主要方法:

• 从接受99mTc-sestamibi MPI和18F-FDG PET/CT.CT的患者中获取数据.
• 从MPI极地图上的 perfusion 缺陷中提取了110个放射性特征.
• 训练并验证了13个监督的ML算法,根据日志损失和曲线下的面积 (AUC) 选择了表现最佳的模型.
• 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).

主要成果:

• 九个ML模型在看不见的测试组中实现了AUC>0.800.
• 渐变增强随机森林 (xgboost) 显示出最高的AUC为0.860.
• 最好的模型在72.4%的缺陷中检测到冬眠的心肌,分类准确率为78.0%,F1评分为0.792.
• 四个模型通过SHAP蜂群图表显示了明确的可解释性.

结论:

• 机器学习应用于休息MPI的放射特征,这是检测冬眠心肌的一个可行的方法.
• 放射学特征捕获人眼看不到的信息,增强心肌活力评估.
• 这项概念验证研究突出了改善心脏病患者管理的有希望的途径.