深度学习显著提高CRT响应预测使用合成纵向菌株数据:合成数据的培训和实体患者的测试
Ying-Feng Chang1, Kun-Chi Yen2, Chun-Li Wang3
1Artificial Intelligence Research Center, Chang Gung University, Taoyuan City 33302, Taiwan; Department of Gastroenterology and Hepatology, New Taipei Municipal Tu Cheng Hospital (Built and Operated by Chang Gung Medical Foundation), New Taipei City 23652, Taiwan.
Biomedical journal
|October 30, 2024
概括
深度学习模型准确地预测心力衰竭患者的心脏再同步治疗 (CRT) 的反应. 这些人工智能工具提供了一种方便的方式来帮助临床治疗决策.
科学领域:
- 生物医学工程 生物医学工程
- 医学中的人工智能
- 心脏病学 心脏病学
背景情况:
- 人工智能 (AI),特别是深度学习 (DL),越来越多地应用于生物医学领域.
- 很少有研究使用DL来预测心力再同步治疗 (CRT) 对心力衰竭患者的反应.
研究的目的:
- 开发一个DL模型,以高准确度,精度和灵敏度预测CRT响应.
- 利用先进的人工智能技术,改善心力衰竭管理中的患者结果.
主要方法:
- 利用来自131名患者的二维回声心脏图谱菌株数据.
- 采用合成少数群体过量采样技术 (SMOTE) 来生成2000个数据输入.
- 训练并优化深度神经网络 (DNN) 和1D卷积神经网络 (1D-CNN).
- 使用准确度,精度,灵敏度,F1分数,特异性和AUROC来评估模型性能.
- 使用SHAP分析解释变量的重要性.
主要成果:
- 无论是DNN和1D-CNN模型都实现了预测准确度,精度和灵敏度约为90%.
- 最佳的1D-CNN和DNN模型显示AUROC值分别为0.8734和0.9217.
- 模型识别的关键输入变量与临床专业知识一致,证实了强度.
结论:
- DL模型在预测CRT响应方面表现出色.
- 这些人工智能工具可以作为医生有价值的临床辅助工具.
- 这些模型的数据获取方便提高了它们的实际应用性.
