Neural-Network-Based Diagnosis Using 3-Dimensional Myocardial Architecture and Deformation: Demonstration for the Differentiation of Hypertrophic Cardiomyopathy
Notice bibliographique
Résumé
The diagnosis of cardiomyopathy states may benefit from machine-learning (ML) based approaches, particularly to distinguish those states with similar phenotypic characteristics. Three-dimensional myocardial deformation analysis (3D-MDA) has been validated to provide standardized descriptors of myocardial architecture and deformation, and may therefore offer appropriate features for the training of ML-based diagnostic tools. We aimed to assess the feasibility of automated disease diagnosis using a neural network trained using 3D-MDA to discriminate hypertrophic cardiomyopathy (HCM) from its mimic states: cardiac amyloidosis (CA), Anderson-Fabry disease (AFD), and hypertensive cardiomyopathy (HTNcm). 3D-MDA data from 163 patients (mean age 53.1 ± 14.8 years; 68 females) with left ventricular hypertrophy (LVH) of known etiology was provided. Source imaging data was from cardiac magnetic resonance (CMR). Clinical diagnoses were as follows: 85 HCM, 30 HTNcm, 30 AFD, and 18 CA. A fully-connected-layer feed-forward neural was trained to distinguish HCM vs. other mimic states. Diagnostic performance was compared to threshold-based assessments of volumetric and strain-based CMR markers, in addition to baseline clinical patient characteristics. Threshold-based measures provided modest performance, the greatest area under the curve (AUC) being 0.70. Global strain parameters exhibited reduced performance, with AUC under 0.64. A neural network trained exclusively from 3D-MDA data achieved an AUC of 0.94 (sensitivity 0.92, specificity 0.90) when performing the same task. This study demonstrates that ML-based diagnosis of cardiomyopathy states performed exclusively from 3D-MDA is feasible and can distinguish HCM from mimic disease states. These findings suggest strong potential for computer-assisted diagnosis in clinical practice.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».