相关实验视频
Updated: Jun 25, 2026
Ultrasonic Assessment of Myocardial Microstructure
Published on: January 14, 2014
使用机器学习检测高缩心肌病患者晚期加多增强的检测
Keitaro Akita1, Kenichiro Suwa2, Kazuto Ohno2
1Division of Cardiology, Department of Medicine, Columbia University Irving Medical Center, New York, NY, USA; Division of Cardiology, Internal Medicine III, Hamamatsu University School of Medicine, Hamamatsu, Shizuoka, Japan.
机器学习模型可以使用临床数据预测高性心肌病 (HCM) 的晚期加多增强 (LGE),从而减少对心磁共振 (CMR) 影像的需求. 这种方法有助于医生识别可能患有LGE的患者.
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:
- 在心磁共振 (CMR) 上的晚期加多增强 (LGE) 表明心肌纤维化在缩性心肌病 (HCM) 中,这是致命性心律失常的危险因素.
- CMR是资源密集型的,有时是禁忌的,需要使用替代的诊断方法.
研究的目的:
- 开发和验证一种机器学习 (ML) 算法,用于使用临床参数检测HCM患者的LGE.
- 评估ML在识别具有高LGE高预测概率的HCM患者中的实用性.
主要方法:
- 在22个临床参数 (包括心声学数据) 上训练了一种脊分类ML模型,来自美国554名高血压患者.
- 该模型在来自日本的188名HCM患者的单独队列上得到了验证.
- 使用接收器运行特征曲线 (AUC) 下的面积来评估性能.
主要成果:
- 在试验组 (95% CI 0.70-0.84) 中,ML模型实现了0.77的AUC.
- ML模型显著优于基于3个常规风险因子 (AUC 0.69,P=0.01) 的参考模型.
- 在54%的培训组和40%的测试组中存在LGE.
结论:
- 对临床参数的ML分析可以有效地区分HCM患者CMR上LGE的存在.
- 这种ML模型可以帮助医生识别那些从CMR中获益最多的HCM患者.
- 这些发现支持使用ML作为一种工具来优化HCM管理中的CMR实用性.
更多相关视频
12:24Noninvasive Assessment of Cardiac Abnormalities in Experimental Autoimmune Myocarditis by Magnetic Resonance Microscopy Imaging in the Mouse
Published on: June 20, 2014
12:15Tissue Preparation Techniques for Contrast-Enhanced Micro Computed Tomography Imaging of Large Mammalian Cardiac Models with Chronic Disease
Published on: February 8, 2022
