Prediction of incident cardiovascular events using machine learning and CMR radiomics
Notice bibliographique
Résumé
OBJECTIVES: Evaluation of the feasibility of using cardiovascular magnetic resonance (CMR) radiomics in the prediction of incident atrial fibrillation (AF), heart failure (HF), myocardial infarction (MI), and stroke using machine learning techniques. METHODS: We identified participants from the UK Biobank who experienced incident AF, HF, MI, or stroke during the continuous longitudinal follow-up. The CMR indices and the vascular risk factors (VRFs) as well as the CMR images were obtained for each participant. Three-segmented regions of interest (ROIs) were computed: right ventricle cavity, left ventricle (LV) cavity, and LV myocardium in end-systole and end-diastole phases. Radiomics features were extracted from the 3D volumes of the ROIs. Seven integrative models were built for each incident cardiovascular disease (CVD) as an outcome. Each model was built with VRF, CMR indices, and radiomics features and a combination of them. Support vector machine was used for classification. To assess the model performance, the accuracy, sensitivity, specificity, and AUC were reported. RESULTS: AF prediction model using the VRF+CMR+Rad model (accuracy: 0.71, AUC 0.76) obtained the best result. However, the AUC was similar to the VRF+Rad model. HF showed the most significant improvement with the inclusion of CMR metrics (VRF+CMR+Rad: 0.79, AUC 0.84). Moreover, adding only the radiomics features to the VRF reached an almost similarly good performance (VRF+Rad: accuracy 0.77, AUC 0.83). Prediction models looking into incident MI and stroke reached slightly smaller improvement. CONCLUSIONS: Radiomics features may provide incremental predictive value over VRF and CMR indices in the prediction of incident CVDs. KEY POINTS: • Prediction of incident atrial fibrillation, heart failure, stroke, and myocardial infarction using machine learning techniques. • CMR radiomics, vascular risk factors, and standard CMR indices will be considered in the machine learning models. • The experiments show that radiomics features can provide incremental predictive value over VRF and CMR indices in the prediction of incident cardiovascular diseases.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».