Применение радиомического анализа и алгоритмов машинного обучения для выявления постинфарктного кардиосклероза у пациентов с ишемической кардиомиопатией по данным магнитно-резонансной томографии

Аннотация

Цель. Изучение и сравнение информативности моделей машинного обучения, основанных на радиомических показателях бесконтрастных изображений магнитно-резонансной томографии (МРТ) сердца в кино-режиме, для дифференцировки участков постинфарктного кардиосклероза и интактного миокарда у пациентов с ишемической кардиомиопатией (ИКМП).

Материал и методы. В данное ретроспективное исследование было включено 88 пациентов с показаниями для хирургического лечения ИКМП. На предоперационном этапе всем пациентам выполняли МРТ сердца с контрастированием. Радиомический анализ применялся к бесконтрастным изображениям МРТ в кино-режиме. Все изображения были сегментированы с использованием программного обеспечения 3D slicer (version 5.2.2), радиомические признаки извлекались с помощью модуля SlicerRadiomics. Текстурному анализу было подвергнуто 176 участков изображений МРТ сердца в кино-режиме, для каждого из которых определялись по 107 текстурных характеристик. Применялись следующие алгоритмы машинного обучения: алгоритм случайного леса, алгоритм на основе логистической регрессии, алгоритмы градиентного бустинга с отбором и без отбора признаков. Статистическая обработка данных и построение моделей машинного обучения проводилось на языке программирования Python.

Результаты. Были построены диаграммы коллинеарности признаков, выявлены признаки с нулевой важностью и установлена важность признаков, оценена кумулятивная важность признаков в зависимости от их общего количества, выявлены параметры с наименьшей значимостью. Получено, что 34 признака не вносят никакого вклада в суммарную значимость. В результате применения Lasso-регуляризации были отобраны 10 наиболее информативных показателей: 3 признака формы, 2 признака первого порядка и 5 текстурных характеристик. Наряду с моделью логистической регрессии (AUC=0,83), алгоритм градиентного бустинга CatBoost показал высокую производительность (AUC=0,8), при этом применение отбора признаков способствовало улучшению всех используемых в исследовании моделей с наивысшими результатами в CatBoost (AUC=0,83). Алгоритм случайного леса показал менее надежные результаты по сравнению с другими моделями и может рассматриваться как дополнительный метод при необходимости интерпретации признаков.

Заключение. Показаны высокие потенциальные возможности применения радиомического анализа для дифференцировки рубцовой и жизнеспособной ткани миокарда ЛЖ у пациентов с ИКМП, что открывает перспективы его использования в качестве альтернативы традиционным методам отсроченного контрастирования у данных пациентов.

https://russjcardiol.elpub.ru/jour/article/view/6428/4866

Телеграм: t.me/ainewsline

Источник: russjcardiol.elpub.ru

Комментарии: