4941Machine learning based automated diagnosis of ischemic vs non-ischemic dilated cardiomyopathy using 3D myocardial deformation analysis
Notice bibliographique
Résumé
Abstract Background Late Gadolinium Enhancement (LGE) imaging is a reference standard technique for the differentiation of ischemic cardiomyopathy (ICM) from non-ischemic dilated cardiomyopathy (NIDCM) in patients with heart failure and reduced ejection fraction (HFrEF). 3D myocardial deformation analysis (3D-MDA) offers highly reproducible phenotypic assessments of regional architecture and function that may provide value for artificial-intelligence-assisted cardiomyopathy diagnosis without need for LGE imaging. Purpose In this study, we trained and validated a machine-learning-based model to enable automated diagnosis of ischemic versus non-ischemic dilated cardiomyopathy exclusively using regional patterns of deformation among patients otherwise matched by age, sex and global contractile dysfunction. Methods 100 ICM and 100 NIDCM patients matched for age, sex, and LVEF underwent standard cine SSFP and LGE imaging. Patient diagnoses were established using a combination of clinical and LGE-based criteria. 3D-MDA was performed using validated software (GIUSEPPE) to compute regional 3D strain measures at each cardiac phase in both conventional and principal strain directions. Principal Component Analysis (PCA) was performed on the composite 3D-MDA dataset. The first 20 components were chosen, accounting for approximately 65% of the population variance. Subsequently, a support-vector-machine-based algorithm was used with 10-fold cross-validation to discriminate ICM from NIDCM. Results Patients were 63±10 years (ICM: 63±10 years, NIDCM: 63±10 years, p=0.955), 74% male (ICM: 74%, NIDCM: 74%, p=1.000), and had a mean LVEF of 27±8% (ICM: 27±7%, NIDCM: 28±7%, p=0.688). Global time to peak strain was significantly shorter in ICM patients relative to NIDCM patients across all surfaces and in all directions (p<0.05). The highest single-variable Area Under the Curve (AUC) achieved for the classification of ICM versus NIDCM from global data was for minimum principal strain (ICM: 43.7±7.8, NIDCM: 48.3±7.5, p<0.001, AUC: 0.682) (Figure 1). However, a multi-feature machine-learning-based model exposed to all available regional 3D deformation data achieved an AUC of 0.903 (sensitivity 87.7%, specificity 75.5%). Conclusions Machine learning-based analyses of3D regionaldeformation patterns allows for robust discrimination of ICM versus NIDCM. Further expansion of the presented findings is planned on a wider, multi-centre cohort. Acknowledgement/Funding Dr. White was supported by an award from Heart and Stroke Foundation of Alberta. This study was funded in part by Calgary Health Trust.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».