Nat Med| 人工智能支持的心脏磁共振成像进行心血管疾病的筛查和诊断
科技
科学
2024-10-28 11:07
重庆
斯坦福大学医学院、中国医学科学院阜外医院、中国科学院深圳先进技术研究院、美国南加州大学生物医学工程系、杜克大学电气与计算机工程系、中国科学技术大学工程学院、纽约州立大学石溪分校计算机科学系等2024年在nature medicine (JCR Q1, IF: 58.7) 杂志上发表了使用人工智能支持的心脏磁共振成像进行心血管疾病的筛查和诊断。
使用人工智能支持的心脏磁共振成像进行心血管疾病的筛查和诊断
摘要：心脏磁共振成像（CMR）是评估心脏功能的黄金标准，在诊断心血管疾病（CVD）中起着至关重要的作用。然而，由于CMR解读的资源负担沉重，其广泛应用受到了限制。在这里，为了解决这一挑战，开发并验证了一种计算机化的CMR解读方法，用于筛查和诊断9,719名患者中的11种CVD类型。提出了一个两阶段的范式，包括基于非侵入性电影的CVD筛查，然后是基于电影和晚期钆增强（LGE）的诊断。筛查和诊断模型在内部和外部数据集中均实现了高性能（曲线下面积分别为0.988 ± 0.3%和0.991 ± 0.0%）。此外，诊断模型在诊断肺动脉高压方面超越了心脏病专家，展示了人工智能支持的CMR检测以前未识别的CMR特征的能力。这项概念验证研究有潜力显著提高CMR解读的效率和可扩展性，从而改善CVD的筛查和诊断。
研究目的：开发并验证一种计算机化的CMR解释方法，用于筛查和诊断11种类型的心血管疾病（CVD）。
数据集：研究涉及9,719名患者，包括8,066名CVD患者和1,653名正常对照组，数据来自中国八个医疗中心。
模型开发：提出了一个两阶段的范式，首先使用非侵入性的基于电影的CVD筛查，然后使用基于电影和晚期钆增强（LGE）的诊断。
性能评估：筛查模型和诊断模型在内部和外部数据集上都取得了高性能（AUC分别为0.988 ± 0.3%和0.991 ± 0.0%）。
模型比较：与不同经验水平的心脏病专家相比，诊断模型在诊断肺动脉高压（PAH）方面表现更好，能够检测到以前未被识别的CMR特征。
模型解释性：使用引导梯度加权类激活映射（Grad-CAM）来显示模型用于分类的信息特征和独特模式。
人类注释比较：AI模型与具有超过10年CMR阅读经验的医生相比，在解释500名患者的数据时，表现出相当的性能。
视频基础深度学习模型比较：比较了视频基础Swin Transformer（VST）模型和传统的CNN-LSTM方法在CMR序列建模方面的性能。
独立连续测试集的验证：为了进一步评估AI模型在真实世界临床环境中的性能，研究者构建了一个由2023年在北京阜外医院连续入院的1,000名患者组成的独立测试集。
图1：自动筛查和诊断心血管疾病的两阶段范式的工作流程。对于每位患者，筛查模型以电影作为输入，输出二元分类以检测心脏异常。其次，疑似心脏异常的患者接受LGE成像，而诊断模型结合了电影和LGE以输出他们的CVD类别。AI模型包括四个VST块，使用3D-shifted window self-attention（WSA）机制分析CMR序列。图2：筛查和诊断模型在内部和外部测试中的表现。a，心脏异常筛查的ROC曲线，用于主要内部测试数据集（蓝色，n = 7,900）和外部测试数据集（红色，n = 1,819）。筛查模型源自4CH电影和SAX电影。b，诊断表现用于内部测试数据集（黄色，n = 6,650）和外部测试数据集（蓝色，n = 1,416）。诊断模型以电影（4CH和SAX）和LGE作为组合输入。c，AI诊断模型与整个CVD队列（n = 8,066）的地面真相预测的混淆矩阵。所有可能预测在每个CVD类别中的百分比以颜色渐变尺度显示。d，用于内部和外部数据集的CVD类别诊断的ROC曲线。图3：个别CMR模态的影响。a，SAX电影、4CH电影和SAX LGE的Shapley值，源自诊断模型（电影和LGE作为组合输入）对每个CVD类别的预测。Shapley值以颜色渐变尺度显示，红色表示对每个CVD分类的模型预测影响最大的CMR模态。表现出特征性特征的CMR模态对模型预测一致地具有强烈的影响：SAX LGE用于CAD的诊断（独特特征：与冠状动脉支配区域相匹配的内膜或跨壁LGE）；SAX LGE用于HCM（肥厚和RV插入点LGE）；SAX LGE用于心肌炎（心外膜LGE）；4CH电影用于LVNC（心尖LV非致密化）和4CH电影用于RCM（4CH视图的双心房扩大）。b，基于电影（紫色）、LGE（黄色）和电影+LGE作为组合输入（蓝色）的诊断模型的ROC曲线。结合电影和LGE实现了所有CVD类别的最佳诊断性能。性能基于内部测试集。图4：来自十一类CVD和正常对照的代表性患者的CMR扫描的显著性图。显著性图（热图）是使用引导Grad-CAM方法生成的，揭示了对AI模型决策贡献最多的区域。尺度条从零到一，一表示由归一化的GradCAM值提供的最高影响，零表示最低影响。红色箭头指向每个CVD类别的特征性特征，这些特征始终被诊断模型的显著性图所包含：左心室肥厚，HCM；左心室扩大和左心室壁变薄，DCM；心室中隔和相邻左心室前壁的心内膜LGE，CAD；心尖的左心室非致密化，LVNC；双心房扩大，RCM；左心室心肌弥漫性尘状LGE，CAM；对称性左心室肥厚，HHD；左心室游离壁的心外膜LGE，心肌炎；右心室扩大伴纤维化，ARVC；右心室扩大和右心室壁增厚，PAH；三尖瓣的隔瓣小叶心尖移位，Ebstein异常。黄色背景的CVD类别主要是LV功能障碍，红色背景的类别主要是RV功能障碍。
Nature Medicine | Volume 30 | May 2024 | 1471–1480
如您觉得内容不错，对您有帮助，希望能够点赞、在看、分享、打赏！感谢您的支持。
