使用心电图时间序列数据对化学诱导心脏毒性模式的AI启用早期检测:模拟瘤学框架

科学领域:

• 心脏瘤学是一门专业.
• 机器学习 机器学习
• 生物医学信号处理

背景情况:

• 化疗引起的心脏毒性是一个重大的临床挑战,经常通过昂贵的成像或生物标志物被发现迟到了.
• 目前的监控方法耗时,昂贵,并且在较晚的阶段识别损害.
• 电心电图 (ECG) 为早期电生理学变化检测提供了一个低成本,非侵入性的替代方案,但在心脏瘤学中仍未得到充分利用.

研究的目的:

• 开发一种可解释的机器学习 (ML) 模型,用于早期检测化疗引起的心脏毒性.
• 使用单导电图信号预测心脏毒性模式.
• 增强心脏瘤监测中ECG的临床实用性.

主要方法:

• 一个公共的心电图数据集 (n=4997) 被预处理成18个特征 (时间,形态,光谱).
• 随机森林和XGBoost组合算法进行了训练和验证.
• 模型性能通过ROC-AUC,PR-AUC和F1得分与引导重新抽样来评估;可解释性通过排列重要性和SHAP分析来评估.

主要成果:

• 这两种ML模型都实现了近乎完美的分类性能 (ROC-AUC,PR-AUC > 0.99;F1得分 ≈ 0.986).
• 关键的预测特征包括光谱,频段3频率,QT代理和峰值计数.
• 这些特征与早期心脏毒性指标相关,例如复极化不稳定和自主失衡.

结论:

• 一个可解释的,特征驱动的ML模型展示了单线心电图在可负担的,早期检测化疗诱导心脏毒性的潜力.
• 这种方法为精密心脏瘤学提供了可行的途径,特别是在资源有限或门诊环境中.
• 单线心电图分析可以作为在化疗期间主动心脏监测的临床相关工具.