一种利用深度学习从门控 SPECT MPI 机械不同步中发现 CRT 反应新预测因子的方法
医学物理
2023-12-22 v1 人工智能
摘要
背景。研究表明，传统的左心室机械不同步（LVMD）参数有其自身的统计学局限性。本研究的目的是通过深度学习从门控 SPECT MPI 的相位分析中提取新的 LVMD 参数，以辅助 CRT 患者筛选。方法。本研究纳入 103 名接受静息门控 SPECT MPI 的患者。CRT 反应定义为随访 6 ± 1 个月时左心室收缩末容积（LVESV）下降 ≥ 15%。自编码器（AE），一种无监督深度学习方法，由原始 LV 收缩期相位极坐标图训练，以提取新的 LVMD 参数，称为基于 AE 的 LVMD 参数。采用相关性分析解释新参数与传统 LVMD 参数的关系。采用单变量与多变量分析建立预测 CRT 反应的多元模型。结果。102 名患者获得完整数据，其中 44.1% 被归类为 CRT 反应者。基于 AE 的 LVMD 参数在单变量（OR 1.24，95% CI 1.07–1.44，P = 0.006）和多变量分析（OR 1.03，95% CI 1.01–1.06，P = 0.006）中均显著。此外，结合包括 LVEF 和性别在内的显著临床特征，相对于 PSD（AUC 0.72 vs. 0.63，LH 8.06，P = 0.005）和 PBW（AUC 0.72 vs. 0.64，LH 7.87，P = 0.005）具有增量价值。结论。由自编码器从基线门控 SPECT MPI 提取的新 LVMD 参数具有改善 CRT 反应预测的潜力。
引用
@article{arxiv.2106.01355,
title = {A method using deep learning to discover new predictors of CRT response from mechanical dyssynchrony on gated SPECT MPI},
author = {Zhuo He and Xinwei Zhang and Chen Zhao and Zhiyong Qian and Yao Wang and Xiaofeng Hou and Jiangang Zou and Weihua Zhou},
journal= {arXiv preprint arXiv:2106.01355},
year = {2023}
}
备注
10 pages, 3 figures, will submit to journal of nuclear cardiology