Building a machine learning-assisted echocardiography prediction tool for children at risk for cancer therapy-related cardiomyopathy
Notice bibliographique
Résumé
BACKGROUND: Despite routine echocardiographic surveillance for childhood cancer survivors, the ability to predict cardiomyopathy risk in individual patients is limited. We explored the feasibility and optimal processes for machine learning-enhanced cardiomyopathy prediction in survivors using serial echocardiograms from five centers. METHODS: We designed a series of deep convolutional neural networks (DCNNs) for prediction of cardiomyopathy (shortening fraction ≤ 28% or ejection fraction ≤ 50% on two occasions) for at-risk survivors ≥ 1-year post initial cancer therapy. We built DCNNs with four subsets of echocardiographic data differing in timing relative to case (survivor who developed cardiomyopathy) index diagnosis and two input formats (montages) with differing image selections. We used holdout subsets in a 10-fold cross-validation framework and standard metrics to assess model performance (e.g., F1-score, area under the precision-recall curve [AUPRC]). Performance of the input formats was compared using a combined 5 × 2 cross-validation F-test. RESULTS: The dataset included 542 pairs of montages: 171 montage pairs from 45 cases at time of cardiomyopathy diagnosis or pre-diagnosis and 371 pairs from 70 at-risk survivors who didn't develop cardiomyopathy during follow-up (non-case). The DCNN trained to distinguish between non-case and time of cardiomyopathy diagnosis or pre-diagnosis case montages achieved an AUROC of 0.89 ± 0.02, AUPRC 0.83 ± 0.03, and F1-score: 0.76 ± 0.04. When limited to smaller subsets of case data (e.g., ≥ 1 or 2 years pre-diagnosis), performance worsened. Model input format did not impact performance accuracy across models. CONCLUSIONS: This methodology is a promising first step toward development of a DCNN capable of accurately differentiating pre-diagnosis versus non-case echocardiograms to predict survivors more likely to develop cardiomyopathy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».