文摘

传统方法预测冠状动脉疾病(CAD)是基于人口数据,胸痛和呼吸困难等症状,疾病与心血管疾病有关。通常,这些变量逻辑回归分析的量化与结果的关系;然而,他们的预测价值是有限的。在目前的研究中,我们旨在调查不同的机器学习(ML)技术的价值评估怀疑CAD;作为金标准,压力诱导缺血的存在82年Rb正电子发射断层扫描/计算机断层扫描(PET / CT)心肌灌注显像(MPI) ML被选上他们的临床使用和他们的代表不同类型的算法,如确定性(支持向量机和朴素贝叶斯),自适应(ADA和演算法),决策树(随机森林,rpart, XGBoost)。研究人群包括连续2503例,接受了疑似CAD MPI。测试毫升表演,数据随机分割成两部分:培训/测试(80%)和验证(20%)。培训/测试,我们应用一个5倍交叉验证,重复2次。这个子集,我们进行自由参数的优化算法。对所有指标,最好的演算法的性能在培训/测试观察。朴素贝叶斯毫升导致更有效的验证方法。物流和rpart算法显示出类似的度量值的培训/测试和验证的方法。这些结果令人鼓舞,表明ML算法可以提高评估预发性压力诱导的心肌缺血。

1。介绍

人工智能有了统一的角色在许多领域也在医疗保健和研发。机器学习(ML),应用程序的人工智能是指计算算法旨在从经验中学习,已成功地用于诊断,预后和药物开发1- - - - - -4]。建议毫升中实现在临床研究中,数据归一化,特征选择,参数调优,和独立的验证5,6]。

在心脏病学领域,寻找方法来获取可靠的疾病的概率进行预测已经进行了一段时间7]。这些工具可以帮助医生决定病人进行检查。通常,对冠状动脉疾病(CAD)的预测,传统的危险因素,如年龄、性别、胸痛、和疾病相关的心血管疾病,如高血压、糖尿病、高脂血症,被认为是。这些变量逻辑回归分析的量化与考试的结果之间的关系和对新病人获得预测8- - - - - -11]。然而,模型获得的这些研究没有显示一个伟大的表现,可能由于CAD和患病率下降因为CAD已经转移到老年患者的评估,更多的女性,更非典型症状患者比前几十年(12]。包括在模型中,其他临床,实验室,和工具性特征可以提高预测精度;然而,添加变量可能是昂贵和耗时也错误地怀疑CAD患者重新分类。使用公开的数据集,它最近报道,ML算法高精度检测CAD的存在(13]。然而,如果应用程序更为复杂的算法对传统风险因素可能优化CAD的预发性估计,还有待定义。在目前的研究中,我们旨在调查评估的潜力不同的ML技术怀疑CAD,拥有黄金标准压力诱导缺血的存在的82年Rb正电子发射断层扫描/计算机断层扫描(PET / CT)心肌灌注显像(MPI)。

总之,这项工作的主要贡献包括以下:(1)比较几个价值的ML算法在预测压力诱导缺血的存在通过无创性心脏成像(2)我们选择了ML算法根据他们的使用在医学领域和他们的代表不同类型的算法,如确定性、适应性和决策树

本文的其余部分组织如下。部分2描述数据集的方法和详细信息和ML技术使用。部分3描述了结果。提出了讨论部分4其次是结论部分5。

2。材料和方法

2.1。研究设计和资格

我们组包括共有2503个连续的患者,接受心脏82年Rb PET / CT因涉嫌CAD作为诊断程序的一部分,2010年6月至2019年10月。已知CAD患者与急性冠脉综合征的患者被排除在外。病人被认为已经知道CAD的成像提供基于先前诊断动脉粥样硬化冠状动脉疾病的历史,历史的心肌梗死(胸痛或相关症状复杂,积极的心脏生物标记,或典型的心电图变化),经皮冠状动脉介入的历史,或冠状动脉旁路移植的历史。对病人进行多个PET / CT的研究中,只有被认为是最早的过程。所有患者进行前瞻性专用数据库的一部分14]。这项研究符合《赫尔辛基宣言》。我们的机构审查委员会批准了这项研究(伦理委员会、大学费德里科•II、协议号110/17),和所有患者知情同意。

2.2。临床定义

胸痛是分类根据美国心脏病学院/美国心脏病协会2002指南更新运动测试(15]。被认为是糖尿病患者如果他们接受治疗,口服降糖药物或胰岛素。过早CAD的家族史是定义为一个诊断CAD的一级相对之前或在55岁。高血压是定义为一个 或使用抗高血压药物。高脂血症定义为 或治疗降低胆固醇的药物。吸烟史被定义为前或当前烟草使用。身体质量指数(BMI)与截止到30一分为二,根据肥胖的定义。

2.3。PET / CT成像

作为一个常规的准备82年Rb心脏PET / CT,患者被要求停止服用methylxanthine包含24小时食物或饮料。扫描是通过放映机mCT 64——切片扫描(西门子医疗)。休息和压力心脏PET / CT图像获得如下:执行侦察CT检查病人的位置,和低剂量CT(0.4毫西弗;120千伏峰值;有效管电流,26马(11-mAs质量参考);3.3秒)进行衰减校正,在正常呼吸之前和之后的宠物收购。休息和压力图像,1110兆贝可82年Rb是静脉注射交汇处列表模式宠物收购。动态宠物收购开始静止其次是腺苷酸药物压力( 4.5分钟,与示踪政府之间2和2.5分钟)。休息和压力动态图像重建为26-time帧( , , ,和 ;总,6分钟)使用供应商的标准命令子集期望最大化三维重建与6.5毫米(2迭代,24子集)高斯后处理过滤器。此外,使用低剂量CT图像纠正了衰减。系统性血压,心率和12导心电图记录在基线和腺苷的注入。自动化软件程序(e-soft、2.5中的/每秒,西奈医疗中心,洛杉矶,CA)被用来计算分数(总结压力得分,总结成绩,总结差异分数)合并的程度和严重性灌注缺陷,使用标准的17心肌区域分割[16,17]。一个 被认为是缺血性。

2.4。统计分析

使用执行统计分析 软件,版本操作( 基础统计软件,维也纳,奥地利)。双面的 值< 0.05被认为是具有统计学意义。数据集由11个特征,其中10人口或临床变量(年龄、性别、体重指数、典型或非典型胸痛、糖尿病、呼吸困难、家族史、高血压、高脂血症、吸烟),和诊断问题两类:诊断或presurgery评估。年龄和体重指数连续变量分类(< 55岁、55 - 65 > 65年 );然后,所有数据都表示为百分数。组之间的差异进行了分析 测试。斯皮尔曼之间的相关特性进行了测试ρ系数,嵌入corrplot包。这个非参数测试是合适的评估分类变量之间的相关性和冗余功能。数据输入ML算法被规范化。敏感性、特异性和准确性都是计算使用confusionMatrix函数嵌入到脱字符号包。敏感性评价好的毫升是如何检测阳性患者(即。,ischemic according to MPI results), and its numeric value was obtained by ratio between the number of patients correctly assessed as positive by ML and the number of positive patients. Specificity evaluated the negative patients (i.e., normal according to the MPI results), and it was calculated by ratio between the number of patients correctly assessed as negative by ML and the number of negative patients. Accuracy measured how correctly a ML identified and excluded a given condition, and it was obtained from the ratio between the number of patients correctly assessed by ML and the total number of patients. Receiver operating characteristic curve is a graphic presentation of the relationship between sensitivity and specificity, whereas the area under this curve provides a measurement of the correct evaluation of ML with respect a random classifier. The areas under the receiver operating characteristic (AUROC) curves were computed by thepROC包中。

2.5。毫升技术

的比较提出了在这项研究中,我们选择监督ML算法,适当的为一个二进制分类数据响应。我们使用的算法开发 。艾达是一个分类树基于自适应算法,用来适应各种随机增加。该算法可用于与其他类型的学习过程来提高性能。这些程序的输出,称为弱学习者,组合成一个加权和代表最终提高了分类器的输出(18]。演算法是一个分类器类似于《美国残疾人法》的颁布,从这个演算法的不同。由弗洛伊德和Schapire M1算法实现19]。物流算法在这项研究中的应用是一个广义线性模型的一部分20.]。这个分类器选择作为参考,因为采用临床统计分析、分类和数值数据和两个反应。假设一个线性方程预测变量之间的关系 和日志赔率(的概率 )的事件,如下: 然后, 系数是番茄, 代表特定的情况下与所有的变量等于零。朴素贝叶斯概率分类器是基于贝叶斯定理。该算法需要一个强大的(天真)之间的独立性假设特性(21]。随机森林算法是基于一个学习方法分类和回归,通过构建多种决策树训练时间。程序返回作为输出的模式类的类(分类)或平均预测(回归)个人的树(22]。Rpart分裂是一种有效的决策树算法的递归地两部分数据集。对于每一个步骤,分割得到考虑功能,导致结果的最大可能减少异质性变量(23]。支持向量机(SVM)是一种算法,构造高维空间中的超平面,可用于分类和回归(24]。支持向量机是一种有效的预测方法,可以有效地执行非线性分类,通过适当的内核。XGBoost树是一个可伸缩的端到端提高方法,基于sparsity-aware稀疏数据的算法和加权分位数近似树学习素描25]。

2.6。方法用于毫升评估

ML性能测试,数据被随机分割成两部分:培训/测试(80%)和验证(20%)。培训/测试的数据,我们采用了5倍交叉验证方法,重复2次。这个子集,我们进行自由参数的优化算法。培训/测试和验证,我们计算的准确性、敏感性,特异性,AUROC。

2.7。硬件和软件特点

在这项研究中,我们使用一个共同的个人电脑配备了2.2 GHz Intel i3 - 2330四核处理器,8 GB的内存,和0.5结核病SSD。操作系统是Windows,而脚本 编程代码得到开发自身的软件。

3所示。结果

研究人口的人口和临床特点根据正常或缺血性MPI响应总结在表1。所有功能,除了BMI和吸烟,有统计学意义 测试。

表1
临床特点的群体根据MPI的结果。

图1显示了斯皮尔曼相关系数矩阵的特征。所有的发现绝对值< 0.25,强调只有弱特征之间的相关性。集群具有较高相关性获得的特性之一是糖尿病、高血压、高脂血症( )。非常低的相关性值证明没有冗余功能。


图1
相关矩阵的功能使用。矩阵元素显示在层次聚类顺序。斯皮尔曼的数据显示ρ两个特性之间的系数。

图2报告每个算法的特性的重要性。我们观察到相同的功能重要性值ADA和学习演算法,而微小的差异(< 5%)被发现在这些程序和朴素贝叶斯毫升。因此,我们报道一个独特的酒吧情节这三个算法。一般来说,最重要的特性是年龄和性别,之后从糖尿病或胸痛。我们也观察到有关差异特征的重要性的ML算法,除了两个自适应和朴素贝叶斯算法。事实上,对于这三个算法,重要性值包含在0.50和0.65之间,而对于物流算法,我们获得更大的间隔值从0.001到0.93。


图2
每个ML算法的特性的重要性。ADA、演算法和朴素贝叶斯特征重要性被分组到一个酒吧情节的值两种自适应算法是等于,和朴素贝叶斯的价值观不同的不到5%。

表2总结了空间参数和值为毫升。参数的优化选择进行了测试使用5倍交叉验证,重复2次,针对最大化c指数。在所有测试设置为每个算法,我们选择了结合高灵敏度来平衡结果的表现。

表2
用于调优参数值为每毫升的技术。

表3显示了C-statistics ML算法的结果,培训/测试和验证的方法。一般来说,培训/测试方法的性能比的验证方法。由于不平衡的数据集,特异性结果大于敏感性。所有指标,最佳的性能在培训/测试观察演毫升。朴素贝叶斯毫升导致更有效的验证方法。ML算法基于传统物流显示低灵敏度和类似的培训/测试和验证方法的性能。图3显示一个图形ROC曲线的ML算法之间的比较,对培训/测试和验证的方法。

表3
指标从毫升获得技术,评估培训/测试和验证的方法。
(一)
(一)
(b)
(b)
图3
8毫升的ROC曲线之间的比较技术考虑。ML性能分别报道培训/测试方法(a) (b)和验证方法。括号报告AUROC值。

图4从rpart显示生成树算法。决策树更容易阅读,最大深度固定5。第一个吐在年龄和对年轻患者(≤65年),没有任何节点,直到终端叶子,观察正常MPI的患病率为86%。对于老年患者(> 65岁),该算法计算了性别节点,与正常的MPI的比例为70%。这个节点的分裂,与女性性别,其次是糖尿病,胸痛,CAD的家族病史。


图4
rpart得到的决策树算法。每个节点或叶报道患病率有关MPI的结果(或:正常;isch:缺血性),普遍的数量之间的比例和总病人,和相对百分比。

4所示。讨论

在我们所知,这是第一个研究比较的价值几毫升算法在预测压力诱导缺血的存在82年Rb PET / CT心脏成像。我们选择8毫升算法基于他们的临床使用和他们的代表不同类型的算法,如确定的(例如,支持向量机),自适应(如ADA)和决策树(例如,rpart)。结果表明,通过自适应(ADA和演算法)和随机森林算法,AUROC曲线在培训/测试阶段≥90%。

作为ML算法的输入功能,我们认为人口数据和传统心脏危险因素。变量之间没有显著相关性检测,特征选择的必要条件的ML技术和数据处理。功能重要性毫升技术是一个重要的步骤。在我们的研究中除了人口学特征、糖尿病和胸部疼痛导致的最有用的特性由PET / CT预测压力诱导缺血。这个结果证实了基于SPECT的另一项研究,功能的重要性,通过逻辑回归,是以下:性别,年龄,和胸痛26]。值得注意的特性(身体质量指数和吸烟)表现出不显著 在ML分析统计结果相关。事实上,ML算法可能捕获特性的微妙的价值显然不是重要的常规分析。

ML算法显示变量精度(72% - -89%)通过培训/测试阶段,敏感性和高特异性较低。后者发现可能反映了不平衡数据集之间的正常和异常的MPI与观测一致,CAD的当代预发性、非侵入性成像测试有更大的执政,执政能力(12]。同时,AUROC值非常大(61% - -95%),以更好的为ADA表演,演算法,随机森林。通过这些ML算法,我们获得了更大的灵敏度值。然而,这些更好的表演在验证组低,可能由于弱的整体解决方案和大量的决策树在培训/测试阶段阐述了每个3毫升的算法。XGBoost,我们观察到类似的性能这三个算法,但灵敏度较低。朴素贝叶斯和支持向量机导致有更多的推广性能的两种方法,通过验证阶段与轻更好的结果。物流和rpart算法显示出类似的度量值的培训/测试和验证的方法。

物流技术,作为一个参考,没有结果特别是性能对其他ML算法。特别是,敏感性最低的价值,可以解释与不平衡的数据集。然而,AUROC导致更高的对类似的研究( )基于临床危险因素,单光子发射计算机断层扫描成像,和逻辑回归10]。

作为决策工具的一个例子,我们报道树rpart获得的。从图形的角度来看,它是直接来验证和年龄的影响性别在决策树的建设上。对年轻患者中,有一个普遍正常的MPI,没有进一步的后果。否则,性别分裂观察到,在这两种情况下的分裂糖尿病和胸部疼痛,男性与一个更大的复杂性。

之前的研究使用ML算法在心脏病学27),但在我们所知,没有研究评估这种方法估计的预发性缺血性对PET / CT的回应。在一项研究中,一个XGBoost毫升开发一系列大型的有症状的患者预测预发性阻塞性CAD的冠状动脉ct血管造影术。毫升模型有显著较高的歧视( ),与传统模型相比,良好的敏感性(91.9%),但较低(38.8%)特异性。本研究使用了10倍交叉验证的方法但并没有独立验证数据集(28]。在另一项研究[29日),一种支持向量机算法被用来确定联合宠物心肌灌注的诊断价值和代谢成像预测阻塞性冠状动脉疾病的症状患者冠状动脉造影可用。这项研究只包括88名患者,其中大部分是与已知CAD。联合宠物评估改善有很好的性能( ),和支持向量机算法优于其他方法评估。在一项研究30.),包括共有16120名患者,毫升提高一年期风险歧视在预测耐用左心室辅助装置相比,逻辑回归(c指数71%和69%, );然而,校准指标具有可比性。在全球范围内,这些研究证实价值有限目前的临床模型准确地预测心肌缺血的存在在压力MPI (31日]。

5。结论

这项研究的结果中执行一系列大型的疑似CAD患者证明基于人口和心血管疾病的风险因素的分类价值有限验证阶段预测缺血性反应82年Rb PET / CT在疑似CAD患者。我们选择8毫升算法实现不同的软件包,可以被其他研究人员使用MPI数据。其他ML算法,如帝王蝶优化(32),蚯蚓优化算法(33),象农业优化(34,35),蛾搜索算法(36],黏菌算法[37),和哈里斯鹰优化(38),也可以用来预测压力诱导缺血的MPI,应该在将来的研究中测试。总之,其他临床和工具性的作用特点,以及开发和完善更复杂的算法来提高预测的压力诱导缺血MPI,仍是一个正在进行的工作。

数据可用性

在这项研究中使用的数据可从相应的作者在一个合理的请求。

伦理批准

本研究经伦理委员会批准那不勒斯大学的费德里科•二世,并从每个参与者得到书面知情同意。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

罗萨里奥Megna、马里奥Petretta和阿尔贝托Cuocolo概念化的研究和起草了手稿。罗萨里奥Megna,罗伯塔Assante,伊米莉亚Zampella,卡梅拉Nappi,也好Gaudieri,特蕾莎修女Mannarino,阿德里亚娜D主席,罗伯塔绿色,瓦坎托尼,Parthiban Arumugam,和万达Acampa收集和分析数据。所有作者修改后的论文和评论和批准了最终版本的手稿。

确认

我们想表达我们的感激之情的人员分工的核医学的优秀的技术支持。