一种可解释的深度学习模型,用于预测心房隔膜缺陷患者的部分异常肺静脉连接
Gang Luo1, Zhixin Li1, Zhixian Ji1
1Heart Center, Women and Children's Hospital, Qingdao University, 6 Tongfu Road, Qingdao, 266034, China.
BMC pediatrics
|November 8, 2024
概括
这项研究开发了一种深度学习模型,用于识别心房隔膜缺陷 (ASD) 患者的部分异常肺静脉连接 (PAPVC). 该模型利用心电图参数准确预测PAPVC,有助于早期诊断.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 部分异常的肺静脉连接 (PAPVC) 通常是无症状的,由于复杂的解剖学,被误诊为心房隔膜缺陷 (ASD).
- 在ASD患者中早期和准确的PAPVC诊断对于及时干预和改善结果至关重要.
研究的目的:
- 在被诊断为ASD的患者中确定PAPVC的预测变量.
- 开发和验证一种可解释的深度学习模型,用于预测ASD患者的PAPVC.
主要方法:
- 一项对834名自闭症患者的回顾性研究,与倾向性得分匹配和SMOTE进行数据平衡.
- 统变逻辑回归确定了差异变量;深度学习模型 (SVM,随机森林,决策树,XGBoost,LightGBM) 被训练和比较.
- 使用分割,增益和SHAP分析来增强模型的解释性.
主要成果:
- 确定了10个差异变量,包括各种心脏直径和心电图参数 (P波电压,P波间隔,PR间隔,QRS波电压).
- 在验证组中,LightGBM模型获得了0.93的最高AUC.
- 一个精细的LightGBM-Clinic模型,使用关键的心电图和心脏参数,表现出色 (AUC=0.90验证,0.87测试集).
结论:
- 光GBM模型有效地预测了ASD患者中PAPVC的存在.
- 电脑心电图参数,特别是P波电压,是重要的预测因素,有助于模型可解释性,促进临床应用.
