academic.oup.com/ehjcimaging/advance-art...hjci/jeaa001/5717931
A machine learning cardiac magnetic resonance approach to extract disease features and automate pulmonary arterial hypertension diagnosis
Deutsch Ein Maschinenlern-(KI) Magnet-Resonanz-Tomogaphie- Ansatz zum Erlernen von von Eigenschaften/Symptomen und automatisierte PAH Diagnose
Übersetzung des Abstracts:
Zitat übersetzt:
"Ziele
Die pulmonal-arterielle Hypertonie (PAH) ist ein progressiver Zustand mit hoher Mortalität. Quantitative kardiovaskuläre Magnetresonanz (CMR)-Bildgebungsmetriken bei PAH zielen auf individuelle kardiale Strukturen ab und haben einen diagnostischen und prognostischen Nutzen, sind aber schwierig zu erfassen. Das primäre Ziel dieser Studie war die Entwicklung und Erprobung eines tensorbasierten maschinellen Lernansatzes zur ganzheitlichen Identifizierung diagnostischer Merkmale bei PAH mit Hilfe der CMR und in zweiter Linie die Visualisierung und Interpretation der wichtigsten mit PAH verbundenen Unterscheidungsmerkmale.
Methoden und Ergebnisse
Aus dem ASPIRE-Register wurden naive Patienten mit PAH oder ohne Anzeichen einer pulmonalen Hypertonie (PH) identifiziert, die sich innerhalb von 48 Stunden einer CMR und einer Rechtsherzkatheterisierung unterziehen. Es wurde ein tensorbasierter maschineller Lernansatz, das multilineare Subraumlernen, entwickelt und die diagnostische Genauigkeit dieses Ansatzes mit Standard-CMR-Messungen verglichen. Zweihundertzwanzig Patienten wurden identifiziert: 150 mit PAH und 70 ohne PH. Die diagnostische Genauigkeit des Ansatzes war hoch, wie durch die Fläche unter der Kurve bei der Analyse der Betriebscharakteristik des Empfängers (P < 0,001) festgestellt wurde: 0,92 für PAH, etwas höher als die CMR-Standardmetriken. Darüber hinaus war die Erstellung der Diagnose mit dem Ansatz weniger zeitaufwändig, da sie innerhalb von 10 s erfolgte. Gelernte Merkmale wurden in Feature-Maps mit Entsprechung zu den Herzphasen visualisiert, wodurch bekannte und auch potentiell neue diagnostische Merkmale bei PAH bestätigt und identifiziert wurden.
Schlussfolgerung
Es wurde ein tensorbasierter maschineller Lernansatz entwickelt und auf CMR angewendet. Für die PAH-Diagnose wurde eine hohe diagnostische Genauigkeit nachgewiesen, und die neu erlernten Merkmale wurden mit diagnostischem Potenzial visualisiert.
Übersetzt mit
www.DeepL.com/Translator (kostenlose Version)"
