Deep Learning for Explainable Estimation of Mortality Risk From Myocardial Positron Emission Tomography Images
Notice bibliographique
Résumé
Background: We aim to develop an explainable deep learning (DL) network for the prediction of all-cause mortality directly from positron emission tomography myocardial perfusion imaging flow and perfusion polar map data and evaluate it using prospective testing. Methods: A total of 4735 consecutive patients referred for stress and rest 82 Rb positron emission tomography between 2010 and 2018 were followed up for all-cause mortality for 4.15 (2.24–6.3) years. DL network utilized polar maps of stress and rest perfusion, myocardial blood flow, myocardial flow reserve, and spill-over fraction combined with cardiac volumes, singular indices, and sex. Patients scanned from 2010 to 2016 were used for training and validation. The network was tested in a set of 1135 patients scanned from 2017 to 2018 to simulate prospective clinical implementation. Results: In prospective testing, the area under the receiver operating characteristic curve for all-cause mortality prediction by DL (0.82 [95% CI, 0.77–0.86]) was higher than ischemia (0.60 [95% CI, 0.54–0.66]; P <0.001), myocardial flow reserve (0.70 [95% CI, 0.64–0.76], P <0.001) or a comprehensive logistic regression model (0.75 [95% CI, 0.69–0.80], P <0.05). The highest quartile of patients by DL had an annual all-cause mortality rate of 11.87% and had a 16.8 ([95% CI, 6.12%–46.3%]; P <0.001)-fold increase in the risk of death compared with the lowest quartile patients. DL showed a 21.6% overall reclassification improvement as compared with established measures of ischemia. Conclusions: The DL model trained directly on polar maps allows improved patient risk stratification in comparison with established methods for positron emission tomography flow or perfusion assessments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».