使用心脏磁共振成像和机器学习预测儿科肺动脉高血压的肺血液动力学:一个探索性试点研究

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:

• 肺动脉高血压 (PAH) 影响肺血管,需要精确的血液动力学测量.
• 心脏导管,测量平均肺动脉压 (mPAP) 和肺血管阻力指数 (PVRi) 的黄金标准,具有风险,特别是在儿科患者.
• 为了更安全地评估儿科PAH,正在寻求非侵入性成像方法.

研究的目的:

• 研究机器学习 (ML) 模型在预测儿科PAH的血液动力学严重性概况方面的有效性.
• 评估非侵入性心磁共振 (CMR) 影像成像用于预测mPAP和PVRi的潜力.
• 探索深度学习 (DL) 方法,以提高预测准确度.

主要方法:

• 对40项儿科PAHCMR研究的回顾性分析.
• 对ML和DL模型进行分层交叉验证和超参数调整.
• 使用接收器运行特征曲线和曲线下的面积 (AUC) 进行mPAP和PVRi严重性预测的评估.

主要成果:

• 深度学习模型在预测mPAP (AUC=0.82) 和PVRi (AUC=0.73) 严重性概况方面取得了很高的准确性.
• 真正阳性率在mPAP和PVRi的低,高和极端严重程度类别中表现强.
• 最优的DL模型将连续CMR电影中的空间模式确定为关键预测因素.

结论:

• 深度学习模型显示了使用CMR成像在儿科PAH中非侵入性预测mPAP和PVRi的显著潜力.
• 这些发现表明,对儿童PAH的更安全,非侵入性监测有希望的途径.
• 这种方法可能会减少这种脆弱人群的侵入性心脏导管治疗的需要.