可解释的人工智能识别和定位了使用12-Lead心电图的缩性心肌病的左心室痕
Kasra Nezamabadi1, Sanjay Sivalokanathan2,3, Jiwon Lee2
1Computational Biomedicine Lab, Computer and Information Sciences, University of Delaware, Newark, DE, USA.
Scientific reports
|September 30, 2025
概括
一个新的机器学习模型,XplainScar,使用心电图 (ECG) 数据来检测左心室 (LV) 痕在缩性心肌病 (HCM) 患者. 这种具有成本效益的工具为监测LV痕进展提供了MRI的替代方案.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 左心室 (LV) 痕是高缩性心肌病 (HCM) 中突然心脏死亡和心力衰竭的重要危险因素.
- 目前用于LV痕评估的方法,如心脏MRI,是昂贵的,并且可能会受到植入心脏设备的影响.
- 对LV痕的纵向监测对于管理HCM患者至关重要.
研究的目的:
- 开发和验证XplainScar,一种可解释的机器学习模型,用于使用心电图 (ECG) 数据检测LV痕.
- 为HCM的LV痕评估提供MRI的成本效益和可访问的替代方案.
- 通过无监督和自我监督的学习来识别与LV痕相关的ECG特征.
主要方法:
- 在XplainScar的开发中,使用了对12个导向心电图数据的无监督和自我监督表示学习的组合.
- 该模型在两个机构的748名HCM患者的回顾性数据集上进行了训练和验证.
- 模型的性能使用包括F1得分,灵敏度,特异性和精度在内的指标进行评估.
主要成果:
- XplainScar获得了高预测性能,F1得分为89%,灵敏度为90%,特异性为78%,测试组的精度为88%.
- 该模型展示了对心电图数据的快速分析,在不到一分钟的时间内处理了10名患者.
- 由于XplainScar的可解释性,可以发现与LV痕相关的ECG特征.
结论:
- XplainScar提供了一种有前途,可解释和具有成本效益的方法,用于使用心电图数据检测HCM患者的LV痕.
- 这种人工智能驱动的方法有可能改善患者护理,并减少与LV痕监测相关的医疗保健支出.
- 该模型能够快速分析心电图数据,使其适用于广泛的临床应用.
