使用机器学习进行回声心脏图谱纹理分析,用于预测心肌纤维化在多变性心肌病的预测

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:

• 心肌纤维化是高性心肌病 (HCM) 的一个关键特征.
• 精确检测心肌纤维化通常需要对比度增强的心脏磁共振成像 (CE-CMR).
• CE-CMR是昂贵的,而且无法广泛使用,特别是在资源有限的环境中.

研究的目的:

• 开发一种低成本的非侵入性查模型,用于在HCM患者中检测心肌纤维化.
• 为了利用回声心动图心肌组织结构分析和机器学习.
• 为了减少不必要的对比剂使用,提高选效率.

主要方法:

• 分析了149名HCM患者 (105名LGE阳性).
• 数据分为培训 (60%) 和测试 (40%) 集.
• 后勤回归确定了预测特征;使用放射学分数构建了10个机器学习模型.
• 应用了成本敏感的学习和交叉验证.
• 极端树算法创建了放射学,心声回声 (E) 和联合模型用于性能评估.

主要成果:

• 组合模型在测试组中实现了0.91的AUC.
• 对于检测LGE阳性患者,灵敏度为0.81,特异性为0.83,F1得分为0.85.
• 与放射性和E-only模型相比,组合模型显示出更高的校准和净效益.

结论:

• 基于机器学习的心肌纹理分析显示,作为预测HCM心肌纤维化的非侵入性工具具有前途.
• 这种方法特别适用于选应用程序.
• 该模型为传统成像方法提供了一种高效且潜在的成本效益的替代方案.