Abstract 13832: XplainScar: Explainable Artificial Intelligence to Identify and Localize Left Ventricular Scar in Hypertrophic Cardiomyopathy (HCM) Using 12-lead Electrocardiogram
Notice bibliographique
Résumé
Background/Rationale: Myocardial scar, identified by late gadolinium enhancement (LGE) on MRI, is associated with sudden death in HCM. Unlike ECG, MRI is expensive and adversely affected by artifacts from implanted devices. However, little is known about ECG features of LV-scar in HCM. Objective: Develop an ECG-based explainable machine learning method to identify and localize LV-scar in HCM. Method: We retrospectively studied 500 HCM patients (JH HCM Registry) for model development, and 248 patients (UCSF HCM Registry) for validation. All patients underwent MRI and ECHO within 1 year of ECG. LV-LGE (scar) was assessed using QMass. After excluding RV-insertion-point-LGE, the LV was divided into basal, mid, and apical regions for scar detection. Resting 12-lead ECGs were segmented, features were extracted and adjusted for LV-mass, age, sex. We utilized unsupervised and self-supervised ECG representation learning, where patients are partitioned into groups of several sub-clusters, each sharing similar ECG patterns, but with high separation between scar and no-scar classes. In each group, a self-supervised neural net and a fully connected neural net successfully predicted LV-scar (see Figure) and revealed ECG features of scar. Results: Our method identifies LV-scar in the JH-dataset with high precision (90%), sensitivity (95%), specificity (80%), F1-score (90%), and generalizes well to UCSF-data (precision:88%, sensitivity:90%, specificity:78%, F1-score:89%). The top ECG features for basal-scar are Q-amplitude, Q-slope, non-terminal QRS duration in aVR, and area under QRS and T wave energy in V1-V2. T-wave inversion in V4-V6, area under QRS in V3, TP slope in V3-V4 predicted apical scar. Features selected for mid scar prediction combine features for basal and apical scar. Conclusion: This is the first ECG-based ML model to identify/localize LV-scar in HCM. Our model demonstrates good performance and reveals ECG features of scar in HCM.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».