一种使用深度学习的新方法来预测对心脏再同步治疗的反应
Kristoffer Larsen1, Zhuo He2, Fernando de A Fernandes3
1Department of Mathematical Sciences, Michigan Technological University, Houghton, MI, USA.
Journal of imaging informatics in medicine
|February 20, 2025
概括
集心脏成像和临床数据的深度学习模型显著改善了对心脏再同步治疗 (CRT) 响应的预测. 这种方法可以比传统方法更好地预测患者的结果.
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:
- 来自封闭单光子发射计算机断层扫描心肌输液成像 (SPECT MPI) 的临床参数有助于预测心脏再同步治疗 (CRT) 结果,但存在局限性.
- 目前用于CRT响应的预测模型往往缺乏全面的数据集成.
研究的目的:
- 开发一种结合临床变量,心电图特征和SPECT MPI极地图的深度学习 (DL) 模型,以预测CRT反应.
- 评估集成DL模型的预测性能与传统机器学习 (ML) 模型和指导标准相比.
主要方法:
- 使用预训练的VGG16和多层感知子构建了一个DL模型,集成了SPECT MPI极地图图像和218名患者的表格临床/ECG/SPECT数据.
- 用梯度加权类激活映射 (Grad-CAM) 来解释极地图分析的可解释性.
- 训练了四个ML模型,仅使用表格特征进行比较分析.
主要成果:
- DL模型的平均AUC为0.83,精度为0.73,灵敏度为0.76,特异性为0.69,超过ML模型和指导标准 (精度为0.53,灵敏度为0.75,特异性为0.26).
- DL模型展示了更好的预测性能,突出了将SPECT MPI极地图纳入其中的好处.
- 这项研究证实,整合医疗图像增强了CRT反应预测.
结论:
- 集成多式联络数据的深度学习模型,包括医学图像,与传统方法相比,可以更好地预测CRT反应.
- 这些发现表明了个性化CRT患者选择和管理的新范式.
- 进一步的研究应该探索这种先进的预测模型的临床实用性和验证.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
10:17Real-Time Cardiac Mapping with a Noninvasive Imageless Electrocardiographic Imaging System
Published on: April 11, 2025
353
