从静止心电图和使用深度学习的表格数据预测左心房体积参数在英国生物银行

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:

• 左心房 (LA) 体积是心血管健康的关键指标.
• 磁共振成像 (MRI) 是LA体积测量的黄金标准,但成本昂贵且无法广泛获取.
• 需要可扩展,低成本的方法来评估LA的数量.

研究的目的:

• 开发和验证一个深度学习模型来预测左心房 (LA) 容量.
• 使用标准的12导电心电图 (ECG) 记录和基本的患者数据作为输入.
• 为基于MRI的LA体积量化提供一种可解释且具有成本效益的替代方案.

主要方法:

• 训练了一个深度学习模型,对LA体积目标进行回归.
• 该模型结合了标准的12心电图数据和基本的患者人口统计数据 (例如体重,身高).
• 使用Shapley值来解释特征重要性和理解模型预测.

主要成果:

• 深度学习模型从心电图和患者数据准确地预测了LA体积.
• 电脑心电图信号被确定为LA体积的显著预测因素.
• 发现患者的体重和身高等特征对体积估计有意义的贡献.

结论:

• 深度学习模型可以使用易于获得的心电图和患者数据有效地预测左心房 (LA) 容量.
• 这种方法为MRI提供了一个可扩展和低成本的替代方案,用于LA体积评估.
• 模型通过Shapley值的可解释性增强了临床的信任和理解.