在亚临床非阻塞性冠状动脉样硬化中预测冠状动脉斑进展的中期风险,使用可解释的机器学习
Yanping Su1, Jie Mei1, Ruolei Ye2
1Zhejiang Key Laboratory of Imaging and Interventional Medicine, Zhejiang Engineering Research Center of Interventional Medicine Engineering and Biotechnology, Key Laboratory of Precision Medicine of Lishui City, The Fifth Affiliated Hospital of Wenzhou Medical University, Lishui, China; Department of Radiology, Lishui Hospital of Zhejiang University, School of Medicine, Lishui, China.
一个新的机器学习模型使用成像和风险因素准确预测冠状动脉样硬化 (CAS) 的进展. 该工具有助于识别高风险个体,以便进行早期干预并改善心血管结果.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 冠状动脉样硬化 (CAS) 是心血管疾病的主要原因之一.
- 亚临床非阻塞性CAS经常被忽视,但具有重大风险.
- 预测CAS进展对于及时干预至关重要.
研究的目的:
- 开发一种临床可解释的机器学习模型,用于预测亚临床非阻塞性CAS中期斑块进展.
- 将传统的风险因素与冠状动脉计算机断层扫描血管学 (CCTA) 的定量斑块特征相结合.
主要方法:
- 对664名患有亚临床非阻塞性CAS和连续CCTA的成年人进行了回顾性研究.
- 使用斯皮尔曼相关性和L1调节的变量选择.
- 七个机器学习算法的比较,与SHapley添加式解释 (SHAP) 进行模型解释性.
主要成果:
- 一个随机森林模型显示出优异的性能 (AUC 0.875).
- 由SHAP确定的关键预测因素是纤维脂肪斑块体积和冠状动脉类.
- 该模型实现了高精度 (0.863) 和精度 (0.779).
结论:
- 机器学习的SHAP框架使亚临床非阻断性CAS的个性化风险分层成为可能.
- 整合定量成像生物标志物可以识别针对性治疗的高风险个体.
- 早期干预可以稳定或回归斑块,减少未来的心血管事件.
更多相关视频
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Coronary Artery Disease I: Introduction
Coronary Artery Disease II: Pathophysiology
Atherosclerosis I: Introduction
Coronary Artery Disease IV: Preventive Measures
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests


