一个基于尸检的心脏病变评估系统促进了突然心脏死亡的定量诊断:机器学习模型的开发和多中心验证
Chao Li1,2, Danmi Mao1, Xiaohui Tan3
1Faculty of Forensic Medicine, Guangdong Province Translational Forensic Medicine Engineering Technology Research Center, Zhongshan School of Medicine, Sun Yat-sen University, Guangzhou, China.
BMC medicine
|November 27, 2025
概括
一个机器学习模型通过分析心脏形态学来帮助定量诊断突然心脏死亡 (SCD). 这种工具提高了病理学家的诊断准确性,并为临床环境中心肌梗塞的识别提供了潜力.
科学领域:
- 法医病理学 法医病理学
- 心血管医学 心血管医学
- 人工智能在医学中的应用
背景情况:
- 心脏突发死亡 (SCD) 的临床预防和法医诊断受到心脏变化缺乏标准化的定量标准的阻碍.
- 开发客观评估系统对于准确的SCD诊断和风险分层至关重要.
研究的目的:
- 开发和验证一种基于机器学习的系统,用于定量评估心脏病变.
- 为了促进更好的诊断和突然心脏死亡风险分层 (SCD).
主要方法:
- 利用2284个尸体解剖病例的大数据集进行模型开发,1883个外部病例进行验证.
- 采用了八个机器学习算法,选择了最佳模型,用于在人机协作实验中进行进一步测试.
- 在204名患者的潜在临床队列中转换模型以识别心肌梗塞.
主要成果:
- 在SCD病例中,右心室壁厚度和 annulus周长有显著差异.
- 后勤回归模型实现了SCD的高歧视性性能 (AUC为0.839-0.907).
- 通过模型辅助,病理学家诊断的准确性得到了改善 (更高的AUC和灵敏度).
结论:
- 经过验证的机器学习模型作为一个辅助工具,用于定量SCD诊断在法医病理学.
- 该系统在临床实践中为心肌梗塞的识别和SCD风险预警提供了潜在的潜力.
