XplainScar: Explainable Artificial Intelligence to Identify and Localize Left Ventricular Scar in Hypertrophic Cardiomyopathy from 12-lead Electrocardiogram
Notice bibliographique
Résumé
Abstract Left ventricular (LV) scar is a risk factor for sudden cardiac death and heart failure in hypertrophic cardiomyopathy (HCM). LV scar is frequent in HCM and evolves over time. Hence there is a need for LV scar detection and longitudinal monitoring. The current gold standard for LV scar detection is late gadolinium enhancement (LGE) on magnetic resonance imaging (MRI), which is limited by high cost and susceptibility to artifacts from implanted defibrillators. We introduce XplainScar , the first explainable machine learning method for LV scar detection and localization in HCM, using 12-lead electrocardiogram (ECG) data, which is not influenced by implanted devices. We use 500 patients from the JH-HCM Registry for model development, and 248 patients from the UCSF-HCM-Registry for validation. XplainScar combines unsupervised and self-supervised ECG representation learning, resulting in high precision (90%), sensitivity (95%), specificity (80%) and F1-score (90%) for scar detection in the basal, mid, and apical LV myocardium, with a processing time of <1 minute per 10 patients. Basal LV scar prediction by XplainScar is dominated by QRS features, and mid/apical LV scar by T wave features. XplainScar generalizes well to the held-out test UCSF data, with 88% precision, 90% sensitivity, 78% specificity, and F1-score of 89%. In summary, XplainScar demonstrates good performance for LV scar detection, and provides ECG signatures of basal, mid, and apical LV scar in HCM. XplainScar is publicly available at https://github.com/KasraNezamabadi/XplainScar
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».