机器学习应用于狭窄检测的概念验证研究
机器学习
2021-08-31 v1
摘要
本概念验证(PoC)评估了机器学习(ML)分类器在由腹主动脉分叉为两条髂总动脉组成的三血管动脉系统中预测狭窄存在的能力。使用血流动力学的一维脉搏波传播模型创建虚拟患者数据库(VPD)。采用四种不同的机器学习(ML)方法训练和测试一系列分类器——包括二分类和多分类——利用不同组合的压力和流量测量来区分健康与不健康的虚拟患者(VPs)。研究发现,ML分类器的特异度大于80%,敏感度在50-75%之间。最均衡的分类器还获得了0.75的受试者工作特征曲线下面积,优于临床实践中使用的约20种方法,因此该方法属于中等准确度。本研究的其他重要观察结果包括:i)与使用更多/全部测量的情况相比,少量测量可提供相似的分类准确度;ii)某些测量比其他测量对分类更具信息量;iii)对标准方法的改进不仅能检测狭窄的存在,还能检测发生狭窄的血管。
引用
@article{arxiv.2102.07614,
title = {A proof of concept study for machine learning application to stenosis detection},
author = {Gareth Jones and Jim Parr and Perumal Nithiarasu and Sanjay Pant},
journal= {arXiv preprint arXiv:2102.07614},
year = {2021}
}