机器学习在通过光学磁计磁心图诊断冠状动脉疾病:一个前性队列研究
Chenchen Tu1,2, Shuwen Yang1,2, Zhixiang Wang3,4
1Department of Cardiology, Beijing Anzhen Hospital, Capital Medical University, No. 2, Anzhen Road, Chaoyang District, Beijing 100029, People's Republic of China.
Physiological measurement
|July 16, 2025
概括
光学磁计磁心图 (OPM-MCG) 在诊断冠状动脉疾病 (CAD) 中显示出高准确性. 使用OPM-MCG数据的机器学习模型,特别是使用OPM-MCG数据的机器学习模型.
科学领域:
- 心脏病学 心脏病学
- 生物物理学的生物物理.
- 医疗技术 医疗技术 医学技术
背景情况:
- 光学磁计磁心图 (OPM-MCG) 显示出诊断冠状动脉疾病 (CAD) 的初步前景.
- 验证OPM-MCG用于CAD诊断的大规模前性研究目前是有限的.
- 侵入性冠状动脉血管学 (ICA) 仍然是CAD评估的黄金标准.
研究的目的:
- 为了评估OPM-MCG在CAD的大型队列中的诊断性能.
- 开发和比较使用OPM-MCG和CAD诊断临床数据的机器学习 (ML) 模型.
- 为了确定关键的OPM-MCG特征预测CAD.
主要方法:
- 构建了三个特征集:OPM-MCG ("心脏"),临床数据 ("临床") 和组合 ("心脏+临床").
- 评估了11个ML模型,使用10倍的交叉验证与侵入性冠状动脉血管学 (ICA) 作为参考标准.
- 进行特征重要性分析以确定关键诊断指标.
主要成果:
- 分析了1513名参与者; 78.92%的测试结果为ICA阳性.
- 与临床模型 (AUC 0.62-0.75) 相比,OPM-MCG ("心脏") 模型实现了更高的诊断准确性 (AUC 0.84-0.88).
- 组合特征集改善了诊断准确度 (AUC 0.75-0.90),其中"Ar-PN显著变化"是最重要的OPM-MCG特征.
结论:
- OPM-MCG显示出用于非侵入性CAD诊断的高潜力.
- 结合OPM-MCG功能的机器学习模型显著提高了诊断性能.
- 特定的OPM-MCG参数,特别是"Ar-PN显著变化",对于准确的CAD识别至关重要.
