通过人工智能启用的神经成像检查检测心房动

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 隐性心房动 (AF) 通常是无症状的,难以诊断的,导致不足的检测和增加中风风险.
• 目前用于AF的诊断方法在可行性和准确性方面存在局限性.
• 机器学习 (ML) 显示了改善临床决策的前景,特别是在分析复杂的医疗数据,如磁共振成像 (MRI) 中.

研究的目的:

• 开发和验证一种机器学习算法,以使用MRI数据根据心房动 (AF) 的存在或不存在对中风患者进行分类.
• 调查一种ML算法可以提高由于AF与大动脉动脉样硬化的中风病因差异化准确性的假设.

主要方法:

• 分析了235名中风患者的队列 (97人患有AF,138人没有AF).
• 患者被随机分配到训练 (4:1比) 和验证组.
• 一个3D卷积神经网络 (ConvNeXt) 在MRI数据上进行了开发和训练,用于对中风病因的二进制分类.

主要成果:

• 在最佳交叉验证折叠中,ML模型实现了接收器运行特征曲线下的面积 (AUC-ROC) 为0.88,整体性能为0.81±0.05.
• 该算法表现出强大的性能,精度为0.84±0.08和F1得分为0.77±0.06.
• 该模型显示了合理的分类能力在区分中风患者和没有潜在的AF.

结论:

• 开发的机器学习算法显示了基于MRI的潜在潜力,可以准确地对基于心房动 (AF) 的中风患者进行分类.
• 对外部数据集的进一步验证至关重要,以确认这种ML方法在中风患者中检测AF的概括性和临床实用性.