放射学和机器学习用于预测感染性内心炎中膜植被:使用TEE成像对友膜和大动脉膜进行比较分析

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:

• 在传染性内心炎 (IE) 中检测膜植被具有挑战性,特别是在机械门中,因为有声影.
• 现有的成像方法可能并不总是为准确诊断提供足够的细节.

研究的目的:

• 为了分类原生和假设的米特拉和大动脉带有和没有植被.
• 评估放射学和机器学习在诊断IE方面的有效性.

主要方法:

• 分析了来自疑似IE病例和113对照的286个经食道心声扫描 (TEE) 扫描.
• 使用极端总变量双边 (ETVB) 过器进行预处理,并提取放射学特征.
• 使用机器学习模型 (随机森林,SVM,k-NN,XGBoost) 进行分类,并使用AUC,ROC曲线和DCA进行评估.

主要成果:

• 在SVM中,获得了本源美特拉 (AUC:0.88),机械美特拉 (AUC:0.85) 和本源大动脉 (AUC:0.86) 的高性能.
• 随机森林对机械主动脉进行了强有力的研究 (AUC:0.81).
• 具体的灵敏度和特异性因门类型和所使用的型号而异.

结论:

• 放射学和机器学习模型显示出在IE中检测膜植被的前景.
• 将这些模型与临床报告相结合,可以提高TEE诊断的准确性.
• 这种方法提供了一个有价值的工具,特别是当像PET/CT这样的先进成像技术无法获得时.