Explainable artificial intelligence identifies and localizes left ventricular scar in hypertrophic cardiomyopathy using 12-Lead electrocardiogram
Notice bibliographique
Résumé
Left ventricular (LV) scar is a major risk factor for sudden death and heart failure in hypertrophic cardiomyopathy (HCM). LV scar evolves over time and needs longitudinal assessment. Currently, LV scar detection relies on late gadolinium enhancement MRI, which is limited by high cost and artifacts from implanted cardiac devices. To address this, we developed XplainScar, an explainable machine learning model that identifies LV scar using 12-lead electrocardiogram (ECG) data. XplainScar was trained and validated on retrospective data from 748 HCM patients across two centers (500 from Johns Hopkins hospital for model development, and 248 from UCSF for validation). XplainScar employs a combination of unsupervised and self-supervised representation learning to effectively predict scar presence, and discover ECG features associated with LV scar. XplainScar rapidly analyzes ECG data (< 1 min for 10 patients) and demonstrates strong predictive performance on the held-out test set, achieving an F1-score of 89%, sensitivity of 90%, specificity of 78%, and precision of 88%. By providing an effective, cost-effective, and transparent alternative to MRI, XplainScar has the potential to assist with patient care, and reduce healthcare costs related to LV scar monitoring in HCM. XplainScar is 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,001 |
| 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 ».