文献速递心血管MR

电影心脏磁共振鉴别缺血性与非缺血性心肌病:一种机器学习方法

Cine-cardiac magnetic resonance to distinguish between ischemic and non-ischemic cardiomyopathies: a machine learning approach.
PubMed 文献 · Eur Radiol · 2024-03-07

本回顾性研究纳入107例连续患者(49例缺血性心肌病、58例非缺血性心肌病),利用非对比电影心脏磁共振的心房和心室应变参数及心功能参数,构建梯度提升广义可加模型并与四种传统机器学习模型比较。作者认为基于非对比心脏磁共振参数的机器学习模型可能鉴别缺血性与非缺血性心肌病。

要点

  • 所提机器学习模型在十折交叉验证重复10次后AUC为0.82(95%CI 0.47-1.00),高于SVM 0.67、KNN 0.70、LR 0.73、RF 0.76(均P<0.05)。
  • 左心室径向应变、 circumferential strain、左心室射血分数、右心室纵向应变、conduit rate和reservoir rate对识别缺血性心肌病影响最大。

核心结论

  • 基于非对比电影心脏磁共振的多腔室心肌应变和功能参数的机器学习模型,能够以有竞争力的诊断准确率鉴别缺血性与非缺血性心肌病。

研究设计与样本

  • 回顾性研究,纳入107例连续患者(49例缺血性心肌病、58例非缺血性心肌病),采用Philips Achieva dStream 1.5-T扫描仪行电影心脏磁共振,以冠状动脉造影显著狭窄(>50%)和/或既往心肌梗死或血运重建史及左心室射血分数<50%等作为诊断参考。

临床应用与阅片要点

  • 作者认为基于非对比心脏磁共振参数的机器学习模型可能鉴别缺血性与非缺血性心肌病,使更广泛人群能以更低成本和更快成像采集接受心脏磁共振检查。

局限性

  • 本研究为回顾性研究设计。
  • 本研究采用单中心数据收集方式。
全文中译23 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2024 Mar 7;34(9):5691–704. doi: 10.1007/s00330-024-10640-8

引言

心血管疾病(CVDs)是过早死亡的主要原因,且由于人口增长和老龄化呈上升趋势[1, 2]。在心血管疾病中,缺血性心肌病(ICM)最为常见[2],而非缺血性心肌病(NICM)代表一组异质性疾病,也可导致心力衰竭、心律失常和死亡[3]。区分ICM与NICM在预后和治疗方面具有重要意义,但通常依赖于侵入性诊断技术,如选择性冠状动脉造影。

心血管磁共振(CMR)如ESC指南[4–7]所述,是一种经过充分验证的工具,可检测心肌纤维化和瘢痕,从而检测与ICM及不同NICM相对应的晚期钆增强(LGE)特定模式[8]。

由于CMR检查数量的指数级增长,更广泛可及的可持续、更快速且更具成本效益的CMR方案预期无疑将在真实临床实践中产生显著优势。此外,端坐呼吸等心脏症状可能限制患者对CMR检查的耐受性,部分患者可能因合并肾脏疾病而不适合使用对比剂。

近年来,人工智能(AI)模型推动了非对比剂CMR检查领域的显著发展,取得了令人鼓舞的成果[9]。AI的一个分支,即机器学习(ML),可能克服对比剂使用的必要性,扩展CMR的临床适用性。基于ML的模型可利用非对比剂电影CMR的手工特征来区分ICM与NICM。

特别是,基于ML的模型已显示出在评估心肌瘢痕位置和范围[10–12]、区分慢性与亚急性ICM[13]以及表征不同心肌病模式[14, 15]方面的实用性。既往基于AI的电影CMR研究主要集中于放射组学分析的应用,其具有固有的局限性,即耗时、可重复性差、缺乏标准化以及结果解读易出错[16]。为克服这些局限性,本研究考察了经过充分验证的心脏容积和功能以及心房和心室应变分析。

本研究旨在推导一个基于非对比剂电影CMR的ML模型,用于区分缺血性与非缺血性心肌病。

材料和方法

研究人群

本研究经机构审查委员会批准,鉴于研究的回顾性性质,免除知情同意。

本研究纳入2017年3月3日至2021年8月7日期间在本机构因存活心肌评估和心肌病病因评估而接受CMR检查的240例连续左心室(LV)射血分数降低的患者。

缺血性病因的诊断基于冠状动脉造影显示存在显著冠状动脉疾病伴狭窄超过50%和/或既往心肌梗死或血运重建史。NICM的诊断基于存在LV功能障碍(LV射血分数< 50%)且无既往心肌梗死或冠状动脉造影无阻塞性狭窄。

因运动或心律失常伪影导致检查不完整或无法评估的心脏磁共振(CMR)检查(n = 40)被排除,同时排除先天性心脏病患者(n = 25)和结构性心脏病患者(n = 40)。此外,28例因应变分析不充分而被排除,原因包括角度平面不佳、心室壁未完全显示或电影CMR图像质量低。

应用纳入和排除标准后,共纳入107例患者,包括49例缺血性心肌病(ICM)和58例非缺血性心肌病(NICM)。图1提供了展示纳入和排除标准应用的流程图。

图1 患者流程图。本研究的纳入和排除标准示意图 查看原图 ↗

CMR采集

CMR扫描在入院后4.1 ± 2.6天(中位数 = 1天,范围 = 1–10天)使用Philips Achieva dStream 1.5-T扫描仪系统(Philips Healthcare)进行。使用前部线圈阵列。所有电影图像均采用平衡稳态自由进动序列和回顾性门控,在呼气屏气动作期间采集(TE 1.7 ms;TR 3.4 ms/翻转角45°,层厚 = 8 mm),包括长轴平面(两腔、三腔和四腔视图)以及短轴平面,覆盖从基底到心尖的整个心室。

CMR图像后处理

我们使用市售软件Circle CVI42(CVI42,Circle Cardiovascular Imaging Inc.)进行心脏磁共振特征追踪(CMR-FT)数据分析。离线CMR-FT分析在软件生成的16节段二维模型中评估峰值整体纵向应变(LS)、整体径向应变(RS)和整体周向应变(CS)。在所有图像上,于舒张末期描记心外膜和心内膜边界。随后触发自动计算,应用软件算法在整个心动周期中自动勾勒边界。

当心房处于最小容积时,在电影图像长轴视图上手动描记左心房(LA)心内膜边界。具体而言,使用四腔、三腔和两腔视图推导LA纵向应变。左心耳和肺静脉被排除在分割之外。手动分割后,软件在整个心动周期中自动追踪心肌边界。追踪和轮廓的质量由一位具有4年心脏影像经验的放射科医师进行视觉验证并手动校正。应变曲线有三个峰值,包括储备应变、管道应变和泵应变。相应地,纳入了其对应的应变率(SR)参数。

机器学习

41个由心脏磁共振(CMR)衍生的定量特征,包括心房应变(如储存、管道、助力)、心室应变(如心室纵向、径向和环向应变)和心室功能(如射血分数、每搏输出量),连同年龄、性别和体表面积,可用于特征选择和模型构建(分析中使用的所有变量见补充表2)。图2A展示了机器学习(ML)分析的概览。简言之,其包括通过基尼不纯度降低进行自动特征选择、使用梯度提升广义加性模型(GB-GAM)和四种传统机器学习算法构建模型、概率校准,以及对整个流程进行10次重复的十折分层交叉验证(CV)。无数据缺失,且在模型构建前未对数据进行预处理。

图2 机器学习(ML)分析概览及ML模型性能。A 机器学习分析包括通过基尼不纯度平均降低量进行自动变量选择、推导我们的梯度提升广义加性模型和传统机器学习模型、通过等渗回归进行模型校准,以及10次重复的十折分层交叉验证。B 受试者工作特征曲线,报告ML模型在与非缺血性心肌病患者混合时识别缺血性心肌病患者的表现。CV表示交叉验证;GB-GAM为梯度提升广义加性模型;SVM为支持向量机;KNN为k近邻;LR为逻辑回归;RF为随机森林 查看原图 ↗

变量选择

我们对所有可用特征使用了基尼不纯度平均降低量方法。我们仅保留v分数至少为平均分数1.25倍的特征(更多细节见补充方法)。

模型定义

GB-GAM算法用于区分ICM和NICM患者。该算法使用梯度提升分别学习每个特征与结局之间的关系,并将它们组合以产生受试者水平评分,在本研究中即ICM的对数几率。在预测未见患者时,每个特征值用于索引相应的已学习特征函数以获得部分贡献。然后,将这些部分贡献求和以获得最终的ICM预测对数几率。

我们将其性能与四种传统ML算法进行了比较,即随机森林(RF)、支持向量机(SVM)、k近邻(KNN)和逻辑回归(LR)(简要说明见补充方法)。由于样本量小,我们未调优超参数,而是选择源自既往实验的设置(训练所用详细超参数值参见补充方法)。

概率校准

使用等渗回归方法对预测概率进行校准,以获得更可靠的真实概率估计,从而提高下游分析的准确性[17](更多细节见补充方法)。

模型训练和测试

整个ML流程在10次重复的十折分层CV方案中执行,该方案可在小样本中实现稳健性能[18],并采用重复留一法程序(详细说明见补充方法)。

变量重要性和病例示例解释

变量按其对所有训练受试者机器学习(ML)预测评分的平均绝对影响进行排序,并对影响最大的十个变量进行进一步分析。最后,我们展示了两个患者层面机器学习预测解释的示例,包含特征特异性数值及其对最终预测的贡献(更多细节见补充方法)。

诊断性能评估

我们使用受试者工作特征(ROC)分析和精确率-召回率曲线评估机器学习模型的判别能力,分别以曲线下面积(AUC)和平均精确率作为指标。校准通过实际值与预测值图进行定性评估,并通过Brier评分进行定量评估。此外,在使约登J指数(敏感度+特异度−1)最大化的阈值下计算了敏感度、特异度、F1评分以及阳性和阴性预测值。性能评估的更多细节见补充方法部分。

统计分析

对于连续变量,以均值±标准差或中位数(四分位距)报告,我们使用Shapiro–Wilk检验评估残差的正态性。ICM和NICM组间连续变量的统计比较在确认残差正态性时使用t检验,在未确立正态性时使用Mann–Whitney U检验[18]。对于分类变量,以频数(百分比)报告,我们使用χ2检验。使用DeLong检验[19]比较AUC。敏感度差异使用McNemar检验;平均精确率和Brier评分的差异使用独立t检验。所述方法学按照医学影像人工智能检查清单(CLAIM,见补充表1)进行规划并撰写文稿[20]。p值<0.05被认为具有统计学意义(更多细节见补充方法)。

结果

研究人群

纳入患者的基线特征和心脏磁共振(CMR)参数总结于表1和表2。简而言之,本回顾性研究共纳入107例患者。其中49例为ICM(34例男性,平均年龄60±9岁),58例为NICM(38例男性,平均年龄56±19岁)。在NICM患者中,病因包括心肌炎(17例,29%)、特发性扩张型心肌病(20例,34%)、Takotsubo心肌病(12例,20%)、淀粉样变性(5例,%)、致心律失常性心肌病(4例,8%)。

表1 研究人群的人口学特征、临床危险因素、用药及临床表现。结果酌情以均值±标准差、中位数(四分位距)或n(%)表示。ICM缺血性心肌病,NICM非缺血性心肌病,BSA体表面积,CAD冠状动脉疾病,ASA乙酰水杨酸,ACE血管紧张素转换酶抑制剂,ARB血管紧张素受体阻滞剂,PPI质子泵抑制剂 查看原表 ↗
表2 研究人群的CMR表现。结果酌情以均值±标准差、中位数(四分位距)或n(%)表示。ICM缺血性心肌病,NICM非缺血性心肌病,LV左心室,EDV舒张末期容积,ESV收缩末期容积,SV每搏输出量,BSA体表面积,RV右心室,RS径向应变,CS周向应变,LS纵向应变 查看原表 ↗

重复十折测试的机器学习性能

机器学习(ML)模型在十折交叉验证(CV)重复10次后的AUC如图2B所示。在识别缺血性心肌病(ICM)患者方面,所提出的ML模型(ML-Ours)相比所有其他ML模型表现出更高的AUC(ML-Ours 0.82 对 SVM 0.67、KNN 0.70、LR 0.73、RF 0.76,所有 p < 0.05)。平均精度也最高(ML-Ours 0.82 对 SVM 0.72、KNN 0.67、LR 0.78、RF 0.80,对 SVM 和 KNN p < 0.05,对 LR p = 0.10,对 RF p = 0.47)(补充图1)。使用最大化约登J指数的阈值作为将患者分类为ICM的最佳截断值,所提出的ML模型表现出最高的敏感性(72%,95% CI [68–76],对所有 p < 0.05)和68%的特异性(95% CI [64–71])。在90%敏感性下,特异性为43%(95% CI [39–47])。此外,ML-Ours表现出最高的F1分数(0.69 [0.65–0.72])和精确率-召回率曲线下面积(0.82 [0.50–1.00])。关于重复十折测试性能分数的全面概述,请参见补充表3。当前方法还显示ML预测的ICM概率与观察概率之间具有良好一致性,这由校准图(图3)和最低的Brier分数(0.19,95% CI [0.13–0.27],对 SVM、KNN 和 LR p < 0.05,对 RF p = 0.06)所证实。

图3 所提出ML模型的校准。十折交叉验证重复10次后的校准图,报告缺血性心肌病的观察频率(绿色柱)与ML预测概率(橙色曲线)之间的比较,按预测概率的十分位数分组 查看原图 ↗

ML在重复留一法测试中的性能

在进行10次重复留一法测试后,所提出的ML-Ours模型相比所有其他传统ML模型表现出持续更高的AUC(ML-Ours 0.73 对 SVM 0.59、KNN 0.62 和 RF 0.69,p < 0.05;LR 0.68,p = 0.07)(补充图2)。尽管AUC的改善并不总是具有统计学显著性,但模型的相对性能与通过重复十折CV获得的结果保持一致。此外,所提出的方法表现出最高的敏感性(0.66 [0.61–0.70])和F1分数(0.64 [0.61–0.67])。关于重复留一法测试性能分数的全面概述,请参见补充表4。

计算复杂度

实验结果是在Apple M1 Max上使用Python 3.9.6版本获得的,该设备具有10核、64 GB RAM、48 MB缓存和集成GPU,运行于64位操作系统。在重复十折CV设置中,外层CV方案将可用的107名受试者分为训练折和测试折,分别约为96名和11名受试者。在这96名中,15%保留用于校准目的,导致约82名受试者用于训练,15名用于校准。平均而言,五折CV上的特征选择需要0.312 ± 0.02 s;所提出方法的训练需要22.7 ± 11.9 s;模型校准需要0.0025 ± 0.0002 s;预测11名测试受试者需要0.0013 ± 0.0002 s(补充图3A)。

在留一法测试方案中,107例中有106例用于训练,1例留出作为测试。在这106例中,15%(约16名受试者)留出用于模型校准,最终90名受试者用于训练。平均而言,五折交叉验证的特征选择需要0.31 ± 0.02秒;所提出方法的训练需要14.3 ± 11.8秒;模型校准需要0.0025 ± 0.0003秒;预测1名测试受试者需要0.0013 ± 0.0003秒(补充图3B)。

识别ICM的重要特征

心房和心室应变CMR参数对于识别ICM患者均很重要(图4A)。总体而言,左心室RS和CS、左心室射血分数(LVEF)、右心室LS、管道速率和储器速率对识别ICM患者的影响最大。前十个重要变量对ICM预测的详细贡献如图4B至K所示。

较高的基底段和心尖段CS、右心室LS及管道速率值在区分ICM患者方面影响更为显著。相反,较低的基底段和心尖段RS、LVEF及储器速率参数对识别ICM患者的影响更大。

图4 识别缺血性心肌病患者的变量影响排序。A 变量按其对缺血性心肌病(ICM)机器学习(ML)预测的平均绝对影响进行排序。本图显示了交叉验证过程中一个代表性折中所选特征对ML预测ICM概率的平均绝对贡献(所用变量的完整详情见补充附录)。B–K 前十个最具影响力特征与ICM预测概率之间的详细关系。每个特征可能取值范围内的不同值对预测有不同的影响:绿色区域的值对预测有正向影响(这些值增加ICM概率),而橙色区域的值有负向贡献(它们降低ICM概率)。LV表示左心室;RV表示右心室;LVCS表示左心室周向应变;LVEF表示左心室射血分数;LVRS表示左心室径向应变;LVLS表示左心室纵向应变;LVSV表示左心室每搏量;BSA表示按体表面积标化;RVCS表示右心室周向应变;RVEF表示右心室射血分数;RVESV表示右心室收缩末期容积;LVESV表示左心室收缩末期容积;RVEDV表示右心室舒张末期容积;LVEDV表示左心室舒张末期容积;RVRS表示右心室径向应变 查看原图 ↗

ML预测的个体化解释

为更好地理解所提出ML模型在分类未见患者时的决策过程,图5展示了两个病例示例,分别为患者层面的解释和特征对预测ML评分的特异性贡献。第一例(图5A)为一名60岁女性ICM患者,模型正确分类为ICM。第二例为一名76岁女性NICM患者,被模型错误分类为ICM(即假阳性)。x轴表示该患者患有ICM的预测概率;y轴表示该患者各协变量的具体值。水平条表示每个特征对总体预测(ICM的对数几率)的影响,以及预测对数几率的具体增加(绿色条)或降低(橙色条)。

图5 机器学习(ML)预测的解释及受试者特异性特征贡献。本图展示了交叉验证流程中一个有代表性折段的两个病例示例。A 一名60岁男性缺血性心肌病(ICM)患者,所提出的ML模型正确识别其为ICM。B 一名76岁女性非缺血性心肌病患者,所提出的模型错误地将其分类为ICM(假阳性)。左侧显示每个变量对每位患者ICM预测对数优势(x轴)的个体贡献,以及每个变量的值。绿色和橙色条分别表示对ICM预测的正向和负向贡献。每个病例均报告预测评分(即对数优势转换后获得的概率)和用于分类的阈值以供参考。右侧报告长轴和短轴电影CMR图像。缩写同图4 查看原图 ↗

讨论

本研究表明,使用CMR左心室、左心房和右心室定量应变及一般心脏功能训练的ML算法能够准确区分ICM患者与NICM患者。

这种新型ML方法的主要优势在于无需使用对比剂,从而提高患者耐受性、缩短扫描时间并降低成本。

在临床实践中,CMR检查的指数级增长可能需要通过更快、更具成本效益的CMR方案来优化临床工作流程。此外,不适合使用对比剂且对CMR检查耐受性有限的患者可能会发现更短的非对比剂CMR检查具有优势。非对比剂CMR成像提高了CMR检查的适用性,提供更好的患者舒适度并可降低成本[12]。

多位作者已探索使用基于ML的模型利用非对比剂电影-CMR图像作为LGE图像的替代方案进行诊断的能力[11, 13, 21–23]。Avard等探索了一种ML算法和影像组学特征在非对比剂电影-CMR图像上鉴别心肌梗死与正常病例的能力,显示基于AI的模型取得了最佳结果,AUC为0.93 [10]。类似地,Larroza等使用支持向量机分类器探索电影-CMR图像纹理分析在区分梗死无活力、有活力和远端节段方面的潜力。结果表明,纹理分析可有效检测非对比剂电影-CMR图像上的无活力节段,达到令人印象深刻的AUC 0.849和灵敏度92% [11]。相反,Zhang等评估了结合电影-CMR图像和原生T1 mapping生成类LGE图像的虚拟原生增强。该方法使用深度学习模型,在量化瘢痕大小和透壁性方面与LGE具有强相关性,准确率、特异度和灵敏度分别为84%、100%和77% [12]。

既往基于ML的电影-CMR研究集中于影像组学分析的应用,这需要耗时的定量后处理图像分析或采集额外的CMR序列,导致CMR检查时间延长。

据我们所知,这是首个聚焦于纳入电影心脏磁共振(cine-CMR)参数的机器学习(ML)模型以区分缺血性心肌病(ICM)与非缺血性心肌病(NICM)的研究。此前研究心肌应变衍生参数以确定心力衰竭病因的工作主要集中于单个心腔的分析或影像组学分析[10, 13, 23–25]。本研究采用回顾性研究设计和单中心数据收集方法。回顾性分析能够利用大量CMR病例数据集,涵盖较长时间段,这对于训练和验证稳健的ML模型至关重要。此外,选择聚焦于单中心提供了在成像方案和CMR扫描仪方面具有一致性和同质性的数据集,有助于减少潜在变异性和混杂因素。

本研究同时使用ML算法分析多个心腔。心腔之间的生理性“交流”可能过于复杂,难以用传统回归模型捕捉。基于ML的模型用于评估心腔相互作用关系可以克服常用回归技术的一些局限性。

在特征重要性分析中,心室和左心房应变参数在区分ICM与NICM方面表现出最具鉴别力的价值。

事实上,与ICM表现为更区域性的功能障碍相比,NICM往往表现为涉及双心室的整体心肌纤维功能障碍[26]。本研究中观察到的周向和径向应变参数在区分ICM与NICM中的贡献,可由心肌细胞损伤对心外膜下和透壁纤维的不同影响来解释。

实际上,心肌由三层纤维组成,即(1)作用于纵向缩短的心内膜下纤维,(2)作用于周向缩短的心外膜下纤维,以及(3)作用于径向缩短的透壁纤维[27, 28]。

心肌梗死的病理生理学特征表现为从心内膜下到心外膜层的波形累及模式。因此,心内膜下纤维是最早受累于缺血的心肌层[28, 29]。此外,有研究提示ICM中纵向纤维收缩功能受损可由其他层的增强来代偿[29, 30]。同样,本研究中展示的右心室(RV)应变参数在区分ICM与NICM中的影响可能通过室间隔介导的心室相互作用相关[31]。事实上,RV在室间隔处与左心室(LV)共享斜行纤维。在RV收缩中,室间隔斜行纤维比游离壁横行纤维更有效,因此LV重构导致室间隔纤维功能障碍,从而损害RV收缩[32]。

另一种假设是NICM患者存在RV心肌的内在损伤[33]。由于心室和心房的解剖连接,它们在本模型中对区分ICM与NICM的贡献是预期之中的。在所提出的模型中更为相关的左心房(LA)应变参数是反映LA扩张性和僵硬度的储备期和管道期应变率参数。

在左心室(LV)功能不全的患者中,左心房(LA)收缩力升高以维持最佳的左心室充盈。因此,在心室功能不全早期,左心房泵功能增强但左心房僵硬度增加,并出现做功不匹配。随后,由于加诸于左心房的後负荷增加导致左心室功能不全进展,左心房泵功能下降[7, 34]。此外,一些作者提出在各种非缺血性心肌病(NICM)中左心房心肌存在直接的心肌病性受累[22, 35, 36]。

实际优势

本研究旨在探讨一种机器学习(ML)算法的能力,该算法利用电影心脏磁共振(cine-CMR)的心脏功能、容积以及心房和心室应变特征来鉴别缺血性与非缺血性病因。使用电影心脏磁共振特征可能有助于避免使用对比剂,并提高心脏磁共振检查的临床可及性,通过降低成本和加快成像采集速度来增加心脏磁共振检查的可及性。

局限性

在所述方法应用于临床实践之前,以下研究局限性应予承认并在未来研究中加以解决。首先,相对较小的样本量是在单台心脏磁共振扫描仪上评估的,且本研究为回顾性单中心观察性设计,无外部验证数据集。尽管我们已采取预防措施以减轻有限数据集带来的挑战,但样本量和单中心研究设计可能影响对更多样化人群的普适性,包括种族、药物及其他因素的差异。为确认本研究发现的稳健性,未来需开展多中心研究以促进纳入更大、更多样化的数据集,增强所提出方法的可靠性和更广泛的适用性。尽管本研究目的是评估一种人工智能(AI)模型以鉴别缺血性心肌病(ICM)与非缺血性心肌病,因而需要异质性的非缺血性心肌病队列,但所评估人群的构成可能受统计变异的影响,后续结果亦可能如此。

其次,尽管我们在训练模型和估计泛化性能时已采取预防措施,该模型仍可能出现过拟合。为防止过拟合,我们采用交叉验证来选择具有诊断价值的特征、训练算法、校准预测概率并在同一队列上评估性能,通过考虑数据的非重叠子集从而减少性能估计中的偏倚。

最后,在本研究中,应变和参数映射参数对不良心血管事件的预测价值未在随访时进行评估。这些有希望的结果可促使进一步开展纳入更多患者的前瞻性试验,以证实当前发现。然而,将非对比人工智能模型应用于真实世界临床实践面临相当大的挑战,包括人工智能模型缺乏透明度和可解释性、需要来自不同中心的大量标注数据,以及伦理和法律问题。要推导出可应用于真实世界临床实践的有效非对比机器学习模型,将需要来自不同中心和患者群体的规模大得多的训练组,其验证将需要独立的验证队列。此外,开发隐私保护算法至关重要,该算法应整合加密和人工智能技术,以实现安全且可推广的非对比人工智能模型。

结论

所提出的GB-GAM模型整合了非对比CMR扫描上的多腔心肌应变、功能和容积,在区分ICM与NICM方面达到了有竞争力的诊断准确性(AUC = 0.82),灵敏度为0.72,特异度为0.68。非对比人工智能模型可能通过降低成本和扫描时间、提高可用性并拓宽临床适用性,为CMR检查带来临床获益。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 1117 KB)

引用

  1. Cau R, Pisu F, Pintus A, et al. Cine-cardiac magnetic resonance to distinguish between ischemic and non-ischemic cardiomyopathies: a machine learning approach. Eur Radiol. 2024. PMID: 38451322. doi:10.1007/s00330-024-10640-8
  2. 全文:PMC11364683(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11364683/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。