开发和验证可解释的深度学习模型,以使用心脏计算机断层扫描来分类心房的亚型
Kazuya Takeda1, Yoshihiro Sobue2, Hitoshi Matsuo3
1Graduate School of Health Sciences, Fujita Health University Graduate School, Toyoake, Japan.
Heart rhythm O2
|December 8, 2025
概括
使用心脏CT的深度学习模型可以准确地区分心房动的亚型. 这种方法确定了持续性心房的关键结构变化,提高了对疾病进展的理解.
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:
- 心脏计算机断层扫描 (CT) 提供了详细的左心房 (LA) 解剖学,但它根据结构特征区分心房动 (PAF) 和持续心房动 (PerAF) 的能力仍然未得到充分探索.
- 区分AF亚型对于有效的治疗策略至关重要.
研究的目的:
- 开发一个卷积神经网络 (CNN) 模型,利用心脏CT的LA形态来分类心房动 (AF) 的亚型.
- 确定与PerAF相关的空间重塑模式,以加深对AF进展的理解.
主要方法:
- 开发了三维CNN模型,根据心脏CT衍生的LA形态来分类AF亚型.
- 模型开发涉及269名患者,进行了10倍的交叉验证;外部验证使用了151名独立患者.
- 将CNN的表现与心声学和CT的LA体积指标进行了比较;梯度加权类激活映射确定了重塑模式.
主要成果:
- 3D-DenseNet201 CNN模型在内部 (AUC 0.81) 和外部 (AUC 0.81) 验证中表现出高性能,准确率分别为77.0%和76.7%.
- 梯度加权类激活映射突出显示前上LA壁,右上肺静脉 antrum 和隔膜是PerAF分类的关键区域.
- 美国有线电视新闻网 (CNN) 模型的表现优于传统的LA体积指标,这些指标来自心声回声和CT.
结论:
- 3D-DenseNet201模型准确地分类了AF子类型,并精确定位了对PerAF至关重要的结构改造模式.
- 这些发现强调了深度学习在促进AF进展的机制性理解方面的潜力.
