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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».