|
DOI: 10.1093/ehjci/jeac147 摘要：该研究共纳入450例肺动脉高压PAH患者，308例右心室扩张患者（法洛四联症201例，107例房间隔缺损）和67例正常对照组。该研究结合超声心动图和估计右心室收缩压(RVSP)的深度卷积神经网络来检测患者是否患有PAH。另外，利用U-net建立分割心室并提取整个心周期的几何信息。并利用cox-比例风险分析预测全因死亡率。结果：该网络对每个患者检测PAH的准确率和灵敏度分别为97.6%和100%。统计学上，深度学习的参数在预测预后方面并不低于专家手工获得的指标。该研究强调了深度学习算法在常规超声心动图中检测PAH的实用性，并可以将肺血管疾病无关的右心室扩张和正常人区分开来。该算法优于传统的超声心动图评估，并提供了专家水平的预后信息。因此，深度学习方法可以改进PAH的筛查和管理。 研究概览图：
肺动脉高压(PAH)患者是具有挑战性和异质性的人群，如果不及时治疗，发病率高，预后差。病情的明确诊断需要右心导管检查来量化肺血管阻力和压力。然而，由于PAH偶尔发生在各种疾病中，包括结缔组织病(CTD)、人类免疫缺陷病毒感染、先天性心脏病(CHD)，且表现出非特异性的症状，因此必须早期筛查。因此，广泛可用的非侵入性前期筛查工具将是及时诊断PAH的最佳方法。 经胸超声心动图已成为PAH筛查的主要方法。但超声心动图检测肺动脉高压的敏感性依赖于是否存在足够的三尖瓣反流，使用简化的伯努利方程估计右心室(RV)收缩压(RVSP)。这一信息通常还需要其他指标补充，如右心室的尺寸、形态和功能。即使很有经验的医师，也只能做到83%的灵敏度和72%的特异度。考虑到非特异性的临床表现和无创诊断的挑战，从症状出现到确诊的平均时间为47个月。 经胸超声心动图除了作为PAH的诊断工具外，也是预后标志物的一个确定来源。它允许量化心腔的尺寸和功能，而定期的经胸超声心动图成像仍然是在这一人群中检测并发症和指导治疗的主要方式。 PAH的及时诊断仍然是一个主要的临床挑战，并在患者预后方面有重大意义，导致不必要的发病率和潜在的死亡率。鉴于机器学习和深度神经网络领域的快速发展，本研究假设定制的深度学习算法将能够帮助PAH的诊断，并提供与专家获得的传统测量结果相比更好的预后信息。 方法数据来源 在2005年至2018年期间，该研究纳入来自两个三级冠心病和肺动脉高压专科中心的病人。因此，在冠心病队列中，所有无双心室循环、原发性瓣膜病（继发性三尖瓣反流除外）和相关的大分流病变（例如室间隔缺损或未纠正的房室间隔缺损）的患者均被排除。只有当其他相关结构异常缺失时，PAH患者才被纳入。PAH的诊断是基于导管检查(平均肺动脉压>25mm/hg，楔压≤15mmg)进行评估。另外，修复了的法洛四联症(ToF)或者房间隔缺损(ASD)的，右心室扩张的，以及心脏结构正常的人和没有证据表明心脏功能不全者作为正常对照组。所有超声心动图由经验丰富的操作人员进行记录，并回顾性收集超声心动图的报告。根尖4腔和胸骨旁短轴2腔视图从医院的电子系统中检索到。 对于生存分析模型，总死亡率的数据来自国家统计局，该统计局登记了所有英国死亡人数。 模型构建 模型1：PAH诊断模型 图像预处理：图片分辨率降低到164×164像素的灰度图像。在训练过程中，在运行时随机应用旋转（±10。）、宽度和高度偏移（10%）以及剪切和缩放（分别高达10和5%）的图像增强。 模型：该网络由两个连接的二维卷积子网组成，其中包括一系列卷积层（3×3大小）、最大池化层（2×）和全连接层。此外，还包括Drop-out层，以避免过拟合。采用Re-lu作为激活函数。其中一个子网接受来自顶端4个腔室视图的图像信息，而在胸骨旁短轴视图中获得的图像（来自同一个人的图像）作为第二个子网的输入。将两个卷积子网络的输出与超声心动图估计的RVSP合并。根据对下腔静脉直径和溃陷性的评估来估计右心房压力。通过将压力估计数(mmHg)除以100mmHg，将RVSP的数值数据重新调整到0到1的间隔。因此，64mmHg的压力对应于0.64。压力值>为100mmHg，设置为1，没有RVSP值的患者的RVSP值为0。合并后的信息输出给Soft-max层，为三种可能的诊断提供预测概率。使用定制的生成器函数，在运行时提供来自同一个人的输入数据。 该神经网络模型框架图如下：
模型2：心室分割模型 采用U-net构建模型，并且右心室流入直径测量为三尖瓣外侧和室间隔插入点之间的距离，如下图所示。
模型3：COX生存分析模型 该研究利用模型2自动获得的心室尺寸和心室功能测量值，并与人工获得的超声心动图测量值进行比较。 结果总的来说，450例PAH患者[中位年龄59岁(IQR 46-69岁)，67%为女性]，308例无PAH的右心室扩张患者(201例修复TOF和107例ASD患者)，67例正常对照组被纳入研究。基线表如下如所示：
模型1：诊断PAH 总的来说，深度学习模型性能很好，如下图所示：
模型2：心室分割模型：测试集中IOU分数>97%。在所有被评估的心房室中，比较真实面积与预测结果的平均面积变异性平均低于3%。 模型3：Cox生存模型 该研究利用模型2自动获得的心室尺寸和心室功能测量值，并与人工获得的超声心动图测量值进行比较。在多变量逐步cox-比例风险分析中，RA面积和RV分数面积变化在人工测量变量模型和深度学习模型中都是危险因素。两种多变量模型的判别能力相似，c值分别为0.67和0.65。图4是基于基于深度学习模型的多变量模型的结果，说明了右心房面积与自动测量的右心室面积分数变化相结合，可以将患者分为高危组和低危组。
总结该研究首次证明了在现有超声心动图数据集上训练的机器学习算法能够检测肺动脉高压，并可以将肺血管疾病无关的右心室扩张和正常人区分开来。在适当的深度学习算法下，心脏心室自动分割和PAH人群的预后预测也是可行的。因此，深度学习方法可以提升PAH的筛查以及可以开发优化PAH管理的工具。 |
|
|
