基于机器学习的解释非对比特征跟踪应变分析和T1/T2映射来评估心肌活力

科学领域:

• 心血管成像 - 心血管成像
• 医疗人工智能 医疗人工智能
• 肌动脉活力评估评估

背景情况:

• 评估心肌活力对于治疗缺血性心脏病至关重要.
• 晚期加多增强 (LGE) 心血管磁共振 (CMR) 是标准的,但具有诸如脏禁忌和长时间扫描等限制.
• 非对比的CMR技术提供了潜在的替代方案.

研究的目的:

• 评估非对比的CMR技术 (特征追踪菌株分析,T1/T2映射) 结合机器学习 (ML) 进行心肌活力评估.
• 将这些非对比方法的诊断准确性与LGE-CMR进行比较.
• 为此应用确定最佳的ML算法.

主要方法:

• 79名心肌梗塞 (MI) 患者在事件发生后2-4周后进行了回顾性分析.
• 将各种ML算法应用于LGE-CMR和非对比CMR技术 (菌株分析,T1/T2映射) 的数据.
• 排除先前缺血或图像质量差的患者,以确保数据完整性.

主要成果:

• 随机森林 (RF) ML模型在冠状动脉区域 (AUC 0.89-0.92) 显示出高预测准确度.
• 射频,k-最近邻居 (KNN) 和后勤回归在LAD领土中表现最好.
• 射频,神经网络 (NN) 和KNN在RCA地区表现出色,而射频,NN和后勤回归在LCX地区最有效.
• 整合T1/T2映射和菌株分析显著改善了可行性预测.

结论:

• 与ML结合的非对比CMR技术,特别是RF,显示出作为LGE-CMR准确替代品的显著潜力,用于心肌活力评估.
• 这些方法可以提高冠状动脉不同区域的诊断准确度.
• 需要在不同的人群和临床环境中进一步验证.