通过将多模式数据与混合图卷积和变压器网络集成来诊断肺高血压
Fubao Zhu1, Yang Zhang1, Gengmin Liang2
1School of Computer Science and Technology, Zhengzhou University of Light Industry, Zhengzhou, 450001, Henan, China.
Journal of imaging informatics in medicine
|October 8, 2025
概括
一个新的深度学习模型使用成像和临床数据准确地分类肺高血压 (PH) 亚型. 这种人工智能工具有助于早期和精确的诊断,改善非PH,毛细血管前PH和毛细血管后PH的患者管理.
科学领域:
- 心脏病学和医学成像AIAIAI
- 诊断医学中的深度学习
- 肺高血压研究 肺高血压研究
背景情况:
- 肺高血压 (PH) 和其亚型 (毛细血管前和毛细血管后) 的准确诊断对于有效的临床管理至关重要.
- 目前的诊断方法可能具有侵入性或缺乏特异性,突出显示了对先进诊断工具的需求.
- 区分PH亚型指导有针对性的治疗策略,并改善患者的治疗结果.
研究的目的:
- 开发和验证基于深度学习的诊断模型,用于将患者分为非PH,毛细血管前PH和毛细血管后PH类别.
- 用多式联络数据评估模型的性能,包括心脏成像和临床参数.
- 评估模型在支持PH的及时和准确的临床决策方面的潜力.
主要方法:
- 使用了204名患者的回顾性数据集 (60名非PH,112名毛细血管前PH,32名毛细血管后PH) 通过右心导管 (RHC) 确认.
- 使用了集成图形卷积网络 (GCN),卷积神经网络 (CNN) 和变压器的深度学习模型.
- 该模型分析了多式输入:cine短轴 (SAX) 序列,四室 (4CH) 序列和临床数据,评估了35个随机分割.
主要成果:
- 深度学习模型实现了接收器运行特征曲线 (AUC) 下的总面积为0.814±0.06和准确度 (ACC) 为0.734±0.06.
- 特定类别的AUC显示出强大的区分能力:非PH的0.745±0.11,毛囊前PH的0.863±0.06,毛囊后PH的0.834±0.10.
- 影像和临床数据的融合证明了三类PH分类的有效性.
结论:
- 开发的深度学习模型显示了精确的肺高血压三类分类的巨大潜力.
- 多模式数据集成提高了诊断性能,提供了一个有前途的非侵入性或补充性诊断方法.
- 这种人工智能驱动的工具可以促进更早,更精确的诊断,从而改善肺高血压患者的管理.
