右心室菌株作为可解释机器学习的关键特征,用于识别塔科苏博综合征:基于CMR的多中心研究
Zeliu Du1, Hongfei Hu1, Chenqi Shen1
1Zhejiang Key Laboratory of Imaging and Interventional Medicine, Zhejiang Engineering Research Center of Interventional Medicine Engineering and Biotechnology, Key Laboratory of Precision Medicine of Lishui City, The Fifth Affiliated Hospital of Wenzhou Medical University, Lishui 323000, China (Z.D., H.H., C.S., J.M., Y.F., Y.H., X.C., X.G., Z.H., L.J., Y.S., J.J., C.L.); Department of Radiology, the Fifth Affiliated Hospital of Wenzhou Medical University, Lishui 323000, China (Z.D., H.H., C.S., J.M., Y.F., Y.H., X.C., X.G., Z.H., L.J., Y.S., J.J., C.L.).
一个可解释的机器学习模型准确地区分了Takotsubo综合征 (TTS) 与急性心肌梗塞 (AMI) 和急性心肌炎 (AM). 右心室应变是TTS的关键诊断指标.
科学领域:
- 心脏病学 心脏病学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 从临床上讲,区分塔科苏博综合征 (TTS) 与急性心肌梗塞 (AMI) 和急性心肌炎 (AM) 是一个挑战.
- 心脏磁共振 (CMR) 为心脏诊断提供了宝贵的多模式参数.
- 机器学习 (ML) 模型可以通过整合复杂的数据集来提高诊断准确性.
研究的目的:
- 开发一个可解释的ML模型,使用CMR和临床数据来分类TTS,AMI和AM.
- 确定区分这些心脏病之间的关键特征.
- 评估右心室 (RV) 菌株在TTS中的诊断效用.
主要方法:
- 分析了CMR和来自3个中心的130名患者的临床数据.
- 使用最小绝对收缩和选择操作员回归和随机森林的特征选择.
- 开发和评估九个ML模型,并对可解释性进行SHAP分析.
主要成果:
- 一个极端梯度增强模型在内部测试队列中实现了0.94的AUC.
- 确定了11个关键特征,其中右心室基底环形菌株 (RVCS-基底) 对TTS最为重要.
- 与AMI和AM患者相比,TTS患者的RVCS基础值显著高于TTS患者 (p < 0.001).
结论:
- 一个可解释的三元分类ML模型已成功开发用于TTS识别.
- SHAP分析证实了RVCS-基底对TTS的显著诊断价值.
- 创建了一个在线计算器,以支持TTS诊断的临床决策.
更多相关视频
11:13Quantification of Mouse Heart Left Ventricular Function, Myocardial Strain, and Hemodynamic Forces by Cardiovascular Magnetic Resonance Imaging
Published on: May 24, 2021
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
相关概念视频
Imaging Studies for Cardiovascular System IV: CMRI
Mitral Stenosis II: Clinical features and Diagnostic Tests
Cardiomyopathy III: Hypertrophic Cardiomyopathy
Rheumatic Heart Disease II: Clinical Manifestations and Diagnostic Studies
Cardiomyopathy IV: Restrictive Cardiomyopathy
