持续性动脉内膜-介质厚度的预后模型开发:以图形驱动的自我监督学习方法

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 心血管研究研究心血管研究

背景情况:

• 心血管疾病 (CVD) 是一个主要的全球健康问题.
• Carotid intima-media 厚度 (cIMT) 是动脉样硬化和心血管风险的一个关键生物标志物.
• 目前的cIMT测量方法 (超声波) 具有可访问性限制,特别是对于中风幸存者.

研究的目的:

• 开发一种预后学习模型,用于在没有成像数据的情况下估计cIMT.
• 为了能够精确量化动脉样硬化的严重程度.
• 解决现有的表格数据模型的局限性,这些数据模型仅对风险存在/不存在进行分类.

主要方法:

• 使用人口统计和临床特征构建了一个患者相似度图.
• 开发了一个图形导向的自我监督学习 (Self-SL) 框架.
• 学习了编码本地和全球图形信息的信息表示.

主要成果:

• 该模型有效估计cIMT,在没有成像的情况下量化动脉样硬化严重程度.
• 在英国生物银行队列中实现了高达93.22%的平均平方误差 (MSE) 减少.
• 在预测准确性方面表现优于传统的学习模型.

结论:

• 图形相似性有效地捕捉了用于cIMT预测的潜在临床模式.
• 自我SL框架提供了精确的动脉样硬化评估,提高了可访问性.
• 这种方法为CVD风险评估提供了一种保护隐私和有效的替代方案.