Feasibility of Machine Learned Intracardiac Electrograms to Predict Postinfarction Ventricular Scar Topography
Notice bibliographique
Résumé
BACKGROUND: Accurate delineation of scar patterns is valuable for guiding catheter ablation of ventricular tachycardia. We hypothesized that scar and its pattern of distribution can be determined from intracardiac electrograms using computational signal processing and that further improvements in classification can be achieved with a convolutional neural network. METHODS: A total of 5 sheep underwent anteroseptal infarction (plus 1 healthy control) with electroanatomic mapping (129±12 days post-infarct). A whole-heart histological model of the postinfarction scar was created and coregistered to ventricular electrograms. Electrograms were matched to scar pattern categories; no scar, at least endocardial scar: at least intramural scar (intramural scar sparing the endocardium), or epicardial-only scar (epicardial scar sparing the endocardium/intramural space). A suite of signal-processing features was extracted from bipolar electrograms. Furthermore, bipolar and unipolar electrograms were used to train a time series convolutional neural network (InceptionTime). RESULTS: A total of 11 551 electrograms were matched to 451 biopsies. Bipolar and unipolar voltage alone were poor classifiers of scar patterns. For each of the scar labels, 20 bipolar electrogram features (predominantly within the frequency domain) yielded an area under the curve of 0.815, 0.810, 0.704, and 0.681 to predict no scar, at least endocardial scar, at least intramural scar, and epicardial-only scar, respectively. Substantial improvement was achieved with a convolutional neural network trained on unipolar electrograms: areas under the curve and accuracy (averaged across wavefronts) were 0.977 and 0.929 for no scar, 0.970 and 0.919 for at least endocardial scar, 0.909 and 0.959 for at least intramural scar and 0.926 and 0.958 for epicardial-only scar. CONCLUSIONS: Convolutional neural network-derived analysis of unipolar electrogram data has excellent predictive value for determination of scar patterns. Computational analyses of electrogram data beyond voltage and other time-domain features are necessary to improve the identification of arrhythmogenic sites in the ventricle.
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 | 0,002 | 0,004 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».