实现全自动化合成ECV量化:一种基于机器学习的开放式访问方法,用于快速的无血液抽取CMR
Rebecca Elisabeth Beyer1,2,3, Markus Hüllebrand2,3,4,5, Patrick Doeblin1,2,3
1Department of Cardiology, Angiology and Intensive Care Medicine, Deutsches Herzzentrum der Charité, Augustenburger Platz 1, 13353, Berlin, Germany.
Scientific reports
|March 11, 2026
概括
这项研究引入了一种新的,自动化的机器学习方法,用于细胞外体积 (ECV) 评估,消除了抽血的需要. 合成ECV与传统方法有很强的一致性,为高效的心肌纤维化评估铺平了道路.
科学领域:
- 心血管成像和诊断系统
- 医疗成像中的人工智能
- 生物标志物量化量化
背景情况:
- 传统的细胞外体积 (ECV) 量化需要耗时的手动后处理和血液抽取以测量血红素.
- 扩散性心肌纤维化评估对于诊断和管理各种心脏疾病至关重要.
- 需要更有效和非侵入性的方法来进行ECV评估.
研究的目的:
- 开发和验证一种基于机器学习的全自动化,无需抽血的方法,用于合成ECV评估.
- 评估这种自动化方法的可行性,用于对扩散性心肌纤维化进行非侵入性评估.
主要方法:
- 追溯分析了1092名接受心磁共振 (CMR) 和1.5T或3T ECV测量的患者.
- 开发一个神经网络细分模型,使用T1地图的手动轮进行自动化分析.
- 使用经过验证的性别和场强度特定模型计算全自动合成ECV;通过相关性,t测试和布兰德-阿尔特曼分析评估一致性.
主要成果:
- 完全自动化合成ECV与传统ECV有很强的相关性 (r=0.79,p<0.001).
- 在合成和常规ECV值 (26.9%±4.9%与27.3%±6.4%,p=0.056) 之间没有发现显著差异.
- 布兰德-阿尔特曼分析显示,平均差异很小 (0.4%),一致性极限很小,对ECV值达到了35%的良好一致性.
结论:
- 完全自动化的合成ECV为CMR数据的大规模后处理提供了无血液的概念验证.
- 该方法支持在研究环境中对心肌纤维化进行一致和有效的评估.
- 临床应用需要进一步验证,特别是在更高的ECV范围内.
