3D心脏磁共振基底特征为基础的机器学习模型用于心肌梗塞后风险分层:一个多中心研究
Lujing Wang1, Xiaoying Zhao1, Yuhong Fan2
1Department of Radiology, The Second Affiliated Hospital of Kunming Medical University, Kunming, China.
The Canadian journal of cardiology
|February 22, 2026
概括
整合3D心磁共振成像 (CMR) 基板特征的机器学习模型显著改善了心肌梗塞 (MI) 后主要不良心血管事件 (MACE) 的预测. 这些可解释的工具提供了个性化的风险分层,以获得更好的患者结果.
科学领域:
- 心血管成像 - 心血管成像
- 机器学习在医学中的应用
- 心脏磁力共振成像 (MRI)
背景情况:
- 在心肌梗塞 (MI) 后准确的风险分层是至关重要的,但具有挑战性.
- 集成先进的成像功能可以增强预测能力.
研究的目的:
- 开发可解释的机器学习 (ML) 模型,用于预测MI后的主要不良心血管事件 (MACE).
- 评估3D心脏磁共振 (CMR) 基板特征在风险分层中的价值.
主要方法:
- 对292名接受CMR的MI患者进行了回顾性分析.
- 提取3DCMR基底特征 (核心痕,边界区域,异常走廊).
- 开发和验证ML模型,包括TabPFN,用SHAP分析进行解释性.
主要成果:
- 确定了九个关键预测因素:临床,功能和3DCMR基底特征.
- 结合临床和3D特征的ML模型实现了高性能 (AUC0.89外部).
- 单单3DCMR特征 (AUC0.90外部) 的表现优于临床和功能模型.
结论:
- 结合3DCMR基底特征的ML模型显著提高MI后MACE预测.
- 这些模型提供了可解释和个性化的风险分层工具.
- 三维CMR基底分析为传统风险评估方法提供了有价值的补充.
