一个可解释的基于放射学的机器学习模型,用于预测STEMI患者的左心室逆向重塑,使用晚期加多增强心肌痕
Xiuzheng Yue1,2, Jianing Cui3,4, Sicong Huang5
1Medical Big Data Research Center, Medical Innovation Research Division of PLA General Hospital, Beijing, China.
European radiology
|April 3, 2025
概括
机器学习模型整合晚期加多增强 (LGE) 痕放射学和心磁共振 (CMR) 标记,显著改善ST段升高心肌梗塞 (STEMI) 患者逆左心室重塑 (r-LVR) 的预测. 这提高了患者分层和治疗个性化,以获得更好的结果.
科学领域:
- 心脏病学 心脏病学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 在ST段升高心肌梗塞 (STEMI) 患者中预测逆左心室重塑 (r-LVR) 对于指导治疗至关重要,但面临当前成像方法的局限性.
- 晚期加多增强 (LGE) 心脏磁共振 (CMR) 成像可视化心肌痕,这是r-LVR的一个关键因素.
研究的目的:
- 评估LGE-scar放射学特征在预测STEMI患者的r-LVR中使用机器学习 (ML) 的附加值.
- 为了比较传统CMR标记物的预测性能,LGE-scar放射学,和一个组合模型.
主要方法:
- 105名STEMI患者的回顾性分析,在基线和皮肤冠状动脉干预 (PCI) 后5个月进行CMR扫描.
- 从LGE痕图像中提取的放射特征和常规CMR参数使用LightGBM模型与SHAP进行分析,以获得可解释性.
- 开发了三个模型:传统的CMR,LGE-scar放射学,以及通过ROC曲线和AUC分析评估的组合模型.
主要成果:
- 在测试组中,LGE-scar放射学模型的AUC为0.818,超过了传统的CMR模型 (AUC为0.656).
- 结合放射学和传统CMR标记物的综合模型显示出最高的预测准确性,AUC为0.890.
- SHAP分析确定了LV质量的心脏病发作百分比和波形变形纹理特征作为重要的预测因素.
结论:
- 将LGE-scar放射学特征与传统的CMR参数集成,可以显著提高STEMI患者的r-LVR的预测.
- 这种可解释的ML方法可以改善患者分层,并支持个性化治疗策略.
- 这些发现表明,通过优化治疗干预措施,有可能改善患者的治疗结果.
