Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：Multimodal deep learning models utilizing chest X-ray and electronic health record data for predictive screening of acute heart failure in emergency department
中文标题：多模态深度学习模型利用胸部 X 光片和电子健康记录数据对急诊科急性心力衰竭进行预测筛查
发表期刊：Comput Methods Programs Biomed .
发表时间：2024年10月
影响因子：4.9/Q1
急性心力衰竭 （AHF） 诊断的歧义会导致治疗不当和急救药物的潜在副作用。为了解决这个问题，本研究旨在使用结合胸部 X 光 （CXR） 和电子健康记录 （EHR） 数据的多模态深度学习模型来筛查急诊科 N 末端 B 型利钠肽前体 （NT-proBNP） 水平异常的患者。
思路
使用开源数据集 MIMIC-IV 和 MIMIC——CXR，研究人群由 1,432 名患者和 1,833 对 CXR 和 EHR 组成。我们处理 CXR，通过肺心面罩提取相关特征，并将其与分诊时的生命体征相结合，以预测相应的 NT-proBNP 水平。
结果分析
1. 基线特征
总共包括来自 1833 名患者的 1432 组样本。在这些样品中，71% 的 NT-proBNP 水平大于 300 ng/L。男性比例 （53%） 略高于女性 （47%），研究人群的大多数由老年人组成。表 1 总结了研究人群的人口统计学特征。所有胸部影像学检查和相应的 NT-proBNP 检查均在 3 天内完成。NT-proBNP 和 CXR 检查之间的中位时间差为 2.7 h。
2. 模型性能
进行了全面的数值实验，以评估不同模态组合的性能。对于每种组合，我们在患者级别以 8：2 的比例将数据集拆分为训练集和测试集。表 2 总结了五重交叉验证的结果。准确了解高于和低于阈值 300 ng/L 的 NT-proBNP 水平对于医生排除 AHF 至关重要。
3. 性能比较
结果表明，随着向模型提供更多信息，平均 AUROC 逐渐提高。特别是，添加 HSR 后从 0.7146 （EHR） 增加到 0.8064，熔合 RF 后进一步增加到 0.8650。仅在 RF 上训练的模型获得的平均 AUROC 为 0.8634，超过了图像模型获得的平均 AUROC。三种模型的平均 AUROC （RF;EHR、HSR 和 RF;以及 EHR 和 RF）也相似。
4. 图像数据的热图
类激活图 （CAM） [30] 是一种用于可视化卷积神经网络模型的技术。它是学习参数和相应特征图的加权线性组合。通过将特征图的加权和上采样到输入图像大小，我们可以确定与目标类别最相关的图像区域。我们使用 CAM 热图来确定模型的焦点区域并提高可解释性。
5. 数值数据的 SHapley 加法解释分析
我们使用 SHAP 来解释 317 个数字特征。SHAP 汇总图提供了每个特征对结果的影响的大小和方向。在图 6 中，x 轴表示 SHAP 值，y 轴按其绝对 SHAP 值之和的降序对特征名称进行排名，颜色表示每个特征的相对大小（越红，越高）。
6. 放射组学特征示例
图 7 说明了 RF 如何反射图像。与 RF 相关的视觉变化与临床理解基本一致。AHF 患者的心内压通常高于无 AHF 的患者。左右心房的额外压力使心脏看起来比正常情况更圆。因此，较高的球形度和较低的周长与表面比率与 AHF 的风险较高有关。
文章小结
所提出的方法通过融合心脏大小比、放射组学特征、 CXR 和 CXR 中感兴趣区域的单模态模型的预测，实现了 0.89 的受试者工作特征曲线下面积。该模型可以准确预测 NT-proBNP 浓度异常的呼吸困难患者，使医生能够降低与不当治疗相关的风险。该研究提供了与 AHF 相关的新图像特征，并为未来的研究方向提供了见解。总体而言，这些模型在改善患者预后和降低急诊科风险方面具有巨大潜力。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
