【原】IF 37.6，歷史新高！使用心電圖數(shù)據(jù)構(gòu)建深度學(xué)習(xí)模型，MIMIC為驗證

公共數(shù)據(jù)庫統(tǒng)計 2024-12-25 發(fā)布于浙江

展開全文

引言

最近機器學(xué)習(xí)真是大熱趨勢，挖掘小眾的MIMIC數(shù)據(jù)庫也能發(fā)文一區(qū)top！今天介紹的這篇文章，研究團隊用蒙特利爾心臟研究所和MIMIC數(shù)據(jù)庫的數(shù)據(jù)開發(fā)和驗證基于心電圖的深度學(xué)習(xí)預(yù)測模型。接下來，讓我們簡單看一下。

心房顫動 (AF) 是成人中最常見的持續(xù)性心律失常。但據(jù)報道，臨床上約三分之一患者發(fā)作房顫時無明顯自覺不適，即無癥狀房顫。這也導(dǎo)致許多患者因未能及時就醫(yī)，延誤了病情。

2024年12月7日，外國學(xué)者用MIMIC-IV 數(shù)據(jù)庫，在期刊《European Heart Journal》（醫(yī)學(xué)一區(qū)top，IF=37.6）發(fā)表題為：“Prediction of incident atrial fibrillation using deep learning, clinical models, and polygenic scores”的研究論文，研究團隊基于深度學(xué)習(xí)模型（ECG-AI），旨在使用患者的心電圖數(shù)據(jù)開發(fā)一個心房顫動（AF）的預(yù)測模型。

研究結(jié)果表明，ECG-AI在內(nèi)部驗證和外部驗證中均表現(xiàn)出良好的預(yù)測性能，可準確預(yù)測患者心房顫動風(fēng)險。并且，該模型的預(yù)測能力優(yōu)于現(xiàn)有的其他預(yù)測患者是否有AF風(fēng)險的方法。

本公號回復(fù)“ 原文”即可獲得文獻PDF等資料

一、預(yù)測模型的構(gòu)建與驗證

√數(shù)據(jù)收集與預(yù)處理

在該項研究中，研究團隊收集了2004 年~2022年間蒙特利爾心臟研究所（MHI）中所有心電圖。經(jīng)過納排，最終收集了145,323名患者的669,782份心電圖，用于模型的構(gòu)建、驗證以及內(nèi)部測試。

同時，團隊還從重癥監(jiān)護醫(yī)學(xué)信息（MIMIC-IV）數(shù)據(jù)庫中獲取了109,870名患者的437,323份心電圖，對該模型進行外部測試。

異常值處理：團隊排除了具有極端電壓值（>10mV）的心電圖。

主要結(jié)局：5年內(nèi)AF的發(fā)生情況。

圖1 研究人群的篩選流程

圖2 研究流程

√模型的構(gòu)建

在排除異常值后，研究團隊按照7：1：2比例，將剩余的數(shù)據(jù)劃分訓(xùn)練集、驗證集和測試集。模型的構(gòu)建過程如下：

團隊使用四個A6000 GPUs（NVIDIA、Santa Clara、CA、USA），在訓(xùn)練集上對單個隨機權(quán)重初始化的ResNet-50模型進行了訓(xùn)練；
通過貝葉斯網(wǎng)格搜索方法在驗證集上優(yōu)化超參數(shù)；
根據(jù)最低損失選擇驗證集中表現(xiàn)最好的模型，然后，在內(nèi)部 MHI 測試集中的三個子組上報告該模型性能，即 “MHI All-Comers”、“MHI Hospitalized” 和 “MHI Biobank”。

√模型的評估

研究團隊使用多個指標評估模型性能，包括區(qū)分度、校準度和受試者工作特征曲線下面積（AUC-ROC）等。

研究結(jié)果顯示，ECG-AI模型具有較好的預(yù)測性能：

內(nèi)部測試的結(jié)果顯示，ECG-AI模型的AUC-ROC為0.78；
外部測試的結(jié)果顯示，ECG-AI模型的AUC-ROC為0.77。

圖3 外部驗證

此外，研究團隊還進一步將ECG-AI模型與其他預(yù)測方法進行比較，結(jié)果表明，該模型的預(yù)測能力優(yōu)于現(xiàn)有的其他預(yù)測方法。具體結(jié)果如下：

ECG-AI模型（AUC-ROC=0.76）的預(yù)測性能優(yōu)于現(xiàn)有的臨床預(yù)測評分——老齡化和基因組流行病學(xué)研究隊列-心房顫動（CHARGE-AF）評分以及多基因評分（PGS）。
同時，團隊還發(fā)現(xiàn)在ECG-AI中加入PGS和CHARGE-AF能夠提高模型的擬合優(yōu)度，此時AUC-ROC的變化（從0.76變化至0.77）最小。