一个新的深度学习系统用于STEMI从多序心磁共振预测预测多序心磁共振

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• ST升高心肌梗塞 (STEMI) 具有显著的心血管风险.
• 目前的风险评分和成像生物标志物对预测STEMI后结果的准确性有限.
• 准确的早期风险分层对于个性化治疗策略至关重要.

研究的目的:

• 开发和验证DeepSTEMI,这是一个人工智能系统,用于在STEMI后预测2年的重大心血管不良事件 (MACE).
• 整合多序心磁共振 (CMR) 图像与临床数据,以提高风险预测.
• 将DeepSTEMI的性能与现有的临床风险评分和手动成像生物标志物进行比较.

主要方法:

• 开发了一个端到端的深度学习系统 (DeepSTEMI),使用U-Net进行细分和Transformer进行预测.
• 在开发中使用了来自EARLY-MYO-CMR注册表的多中心数据集 (n=610).
• 在3个独立的心脏中心的334名患者中对该系统进行了外部验证.

主要成果:

• 在外部验证中,DeepSTEMI表现出优异的预测性能 (AUC 0.894,准确率为94.3%).
• 该模型确定了高风险患者,MACE风险增加了20倍.
• SHAP分析证实了临床成像协同作用,而DeepSTEMI在各子组中表现优于Eitel得分.

结论:

• 对于STEMI后的风险分层,DeepSTEMI提供了一个自动化,可扩展和可解释的解决方案.
• 该系统使心血管风险预测超出目前的限制.
• 深度STEMI在女性和STEMI后4-7天的成像患者中显示出特别的益处.