通过CMR对ARVC患者的MACE风险预测:一个三层时空变压器与心周脂肪组织嵌入

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:

• 主要不良心脏事件 (MACE) 对心律失常性右心室心肌病症 (ARVC) 患者构成重大威胁.
• 心脏磁共振 (CMR) 有助于MACE风险评估,但挑战包括小型ARVC数据集和MACE和非MACE患者之间的重叠图像特征.
• 利用CMR的动态和空间信息对于ARVC中准确的MACE预测至关重要.

研究的目的:

• 开发一种深度学习模型,即三层时空变压器 (TTST),用于预测ARVC患者的MACE.
• 在基于CMR的MACE预测中解决小数据集和重叠图像分布的局限性.
• 通过整合心周脂肪组织 (PAT) 动态和位置信息来提高风险预测.

主要方法:

• 一个新的三层时空变压器 (TTST) 模型被设计为从CMR数据的2D空间,时间和切片间深度维度中提取和融合特征.
• 引入了心周脂肪组织 (PAT) 嵌入单元,以纳入生物标记信息,减少对大型数据集的依赖.
• 使用补丁投票单元来识别指示性心脏区域,以PAT嵌入为指导.

主要成果:

• 与MACE预测中的现有方法相比,TTST模型表现出优异的性能,在内部和外部数据集上实现了高AUC和准确性.
• TTST独立实现了0.744的C指数,并将现有的5年风险评分模型的C指数从0.686提高到0.777.
• 实验结果证实了TTST在利用有限的CMR数据来进行可靠的MACE风险预测方面的有效性.

结论:

• TTST模型提供了一种强大的深度学习方法,用于在使用CMR.的ARVC患者中预测MACE风险.
• 结合PAT信息和时空特征可以显著提高预测准确性,特别是在有限的数据集.
• TTST显示临床实用性,改善风险分层,当单独使用或与现有模型结合使用.