基于深度学习,对心脏表面潜力的估计
Tiantian Wang1, Joël M H Karel1, Niels Osnabrugge1
1Department of Advanced Computing Sciences, Maastricht University, The Netherlands.
Artificial intelligence in medicine
|March 12, 2025
概括
这项研究引入了用于非侵入性心电成像 (ECGI) 的深度学习框架,该框架仅从身体表面潜力估计了心脏表面潜力. 人工智能模型的性能与传统方法相美,不需要复杂的成像,使得更广泛的临床应用.
科学领域:
- 计算电生理学 计算电生理学
- 医学成像医学成像
- 医疗保健中的人工智能
背景情况:
- 传统上,心电成像 (ECGI) 通过使用复杂的几何数据从身体表面潜力估计心脏潜力,从而限制了临床应用.
- 目前的ECGI方法需要从成像 (例如CT/MRI) 获得详细的干和心脏几何形状,这复杂化了工作流程并增加了成本.
研究的目的:
- 开发一个深度学习框架,直接从身体表面潜力 (BSPM) 估计心脏表面潜力 (HSPM),消除对解剖成像的需求.
- 为了实现ECGI的更广泛,更具成本效益的临床应用.
主要方法:
- 一个使用Pix2Pix网络适应2.5D数据的深度学习框架 (2D BSPM和HSPM具有时间信息).
- 将3D干和心脏几何转换为标准化的2D表示,以处理各种患者解剖学.
- 一个新的损失函数,结合了等号相似性和输入特定加权,以提高准确性.
主要成果:
- 该模型在估计HSPM时实现了高精度,平均绝对误差 (MAE) 为0.012 ± 0.011和结构相似度指数 (SSIM) 为0.984 ± 0.026.
- 来自该模型的电图 (EGM) 显示出强烈的相关性 (皮尔森相关系数PCC = 0.643 ± 0.352) 和低的MAE (0.004 ± 0.004).
- 估计的激活和恢复时间显示出临床相关性,平均绝对差异分别为6.05±5.19毫秒和18.77±17.30毫秒.
结论:
- 深度学习框架准确地从单独的身体表面潜力估计心脏表面潜力和相关的临床指标,与标准ECGI相似.
- 该模型能够在没有解剖成像的情况下整合空间和时间信息,这有助于更广泛的临床采用.
- 潜在的应用包括具有成本效益的患者查和心脏病术后的随访.
