Machine Learning to Automatically Differentiate Hypertrophic Cardiomyopathy, Cardiac Light Chain, and Cardiac Transthyretin Amyloidosis: A Multicenter CMR Study
Notice bibliographique
Résumé
BACKGROUND: Cardiac amyloidosis is associated with poor outcomes and is caused by the interstitial deposition of misfolded proteins, typically ATTR (transthyretin) or AL (light chains). Although specific therapies during early disease stages exist, the diagnosis is often only established at an advanced stage. Cardiovascular magnetic resonance (CMR) is the gold standard for imaging suspected myocardial disease. However, differentiating cardiac amyloidosis from hypertrophic cardiomyopathy may be challenging, and a reliable method for an image-based classification of amyloidosis subtypes is lacking. This study sought to investigate a CMR machine learning (ML) algorithm to identify and distinguish cardiac amyloidosis. METHODS: This retrospective, multicenter, multivendor feasibility study included consecutive patients diagnosed with hypertrophic cardiomyopathy or AL/ATTR amyloidosis and healthy volunteers. Standard clinical information, semiautomated CMR imaging data, and qualitative CMR features were integrated into a trained ML algorithm. RESULTS: Four hundred participants (95 healthy, 94 hypertrophic cardiomyopathy, 95 AL, and 116 ATTR) from 56 institutions were included (269 men aged 58.5 [48.4-69.4] years). A 3-stage ML screening cascade sequentially differentiated healthy volunteers from patients, then hypertrophic cardiomyopathy from amyloidosis, and then AL from ATTR. The ML algorithm resulted in an accurate differentiation at each step (area under the curve, 1.0, 0.99, and 0.92, respectively). After reducing included data to demographics and imaging data alone, the performance remained excellent (area under the curve, 0.99, 0.98, and 0.88, respectively), even after removing late gadolinium enhancement imaging data from the model (area under the curve, 1.0, 0.95, 0.86, respectively). CONCLUSIONS: A trained ML model using semiautomated CMR imaging data and patient demographics can accurately identify cardiac amyloidosis and differentiate subtypes.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».