CN113113143A - 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统 - Google Patents
一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统 Download PDFInfo
- Publication number
- CN113113143A CN113113143A CN202110387865.8A CN202110387865A CN113113143A CN 113113143 A CN113113143 A CN 113113143A CN 202110387865 A CN202110387865 A CN 202110387865A CN 113113143 A CN113113143 A CN 113113143A
- Authority
- CN
- China
- Prior art keywords
- myocardial infarction
- clinical
- nuclear magnetic
- delayed enhancement
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 98
- 230000003111 delayed effect Effects 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 57
- 238000007477 logistic regression Methods 0.000 claims abstract description 48
- 210000004165 myocardium Anatomy 0.000 claims description 29
- 206010061216 Infarction Diseases 0.000 claims description 22
- 230000007574 infarction Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 230000002107 myocardial effect Effects 0.000 claims description 15
- 238000003657 Likelihood-ratio test Methods 0.000 claims description 13
- 208000029078 coronary artery disease Diseases 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000000391 smoking effect Effects 0.000 claims description 6
- 206010012601 diabetes mellitus Diseases 0.000 claims description 5
- 230000002861 ventricular Effects 0.000 claims description 5
- 239000002243 precursor Substances 0.000 claims description 4
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 claims description 3
- 102400000667 Brain natriuretic peptide 32 Human genes 0.000 claims description 3
- 101800002247 Brain natriuretic peptide 45 Proteins 0.000 claims description 3
- HPNRHPKXQZSDFX-OAQDCNSJSA-N nesiritide Chemical compound C([C@H]1C(=O)NCC(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CSSC[C@@H](C(=O)N1)NC(=O)CNC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CCSC)NC(=O)[C@H](CCCCN)NC(=O)[C@H]1N(CCC1)C(=O)[C@@H](N)CO)C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1N=CNC=1)C(O)=O)=O)[C@@H](C)CC)C1=CC=CC=C1 HPNRHPKXQZSDFX-OAQDCNSJSA-N 0.000 claims description 3
- 238000005194 fractionation Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims 10
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 4
- 208000024172 Cardiovascular disease Diseases 0.000 abstract description 3
- 238000011269 treatment regimen Methods 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013517 stratification Methods 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101800001904 NT-proBNP Proteins 0.000 description 2
- 102400001263 NT-proBNP Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 208000037849 arterial hypertension Diseases 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 108020001621 Natriuretic Peptide Proteins 0.000 description 1
- 102000004571 Natriuretic peptide Human genes 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000692 natriuretic peptide Substances 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及心血管疾病技术领域，具体公开了一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，包括模型生成模块、临床特征整合模块、分数计算模块和危险程度判断模块。本系统基于MI患者的DE‑MRI影像(延迟强化核磁影像)及入院时的相关临床数据(10类以上)而建立，通过模型生成模块创建一个用于计算心肌梗死危险分数的计分模型，该模型在应用时仅需不超过5类的临床特征即可完成准确和全面的危险程度评估，以便于MI患者及医护人员能够选择更加合理的治疗策略，制定更加完善的个性化随访方案。本系统采用单变量Logistic回归算法和多变量Logistic回归算法相结合并设置显著性水平进行特征筛选的双重筛选机制，可解释性强、训练速度快且分类精准。
Description
技术领域
本发明涉及心血管疾病技术领域，尤其涉及一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统。
背景技术
心血管疾病特别是心肌梗死(Myocardial Infarction,MI)仍然是全球主要的死亡原因，急性冠脉综合征(Acute Coronary Syndrome,ACS)在病发时的危险程度取决于各种临床因素，包括梗死部位及其并发症。目前有几种常用的心肌梗死危险分层的评估模型，包括TIMI(The Thrombolysis in Myocardial Infarction,TIMI)评分和GRACE(TheGlobal Registry of Acute Coronary Events，GRACE)评分。其中TIMI评分是临床上针对于ACS患者预后的危险评分模型，其评分的变量来自TIMI试验人群经多因素Logistic回归分析法筛选出的对预后具有独立预测作用的变量，变量包括患者的年龄、收缩压、心率、Killips分级、体重、前壁ST段抬高或左束支传导阻滞及距离就诊时间，该评分方法简单易行，有利于判断患者临床预后情况，从而选择最佳的治疗方案。而GRACE评分是患者入院和出院时进行危险分层的评估模型，来自于全球冠脉事件登记研究，是世界上首个多个国家针对所有类型及未经筛选的ACS患者的前瞻性研究。GRACE评分的计算基于8个变量：年龄、心率、收缩压、肌酐、心功能分级、心电图ST段偏移、心肌生物指标以及入院时心脏停搏，GRACE评分是ACS患者危险分层及个体化治疗的有效依据。
然而TIMI和GRACE危险评估模型都不涉及对MI患者梗死心肌的量化，而患者梗死心肌的面积或体积是评估MI患者心肌梗死危险程度的主要因素。目前，延迟增强MRI(DE-MRI，延迟强化核磁影像)是一种相比普通心脏核磁CMR更有效的评估心肌梗死程度的医学影像技术，但只能在横切面上显示梗死区域。
发明内容
本发明提供一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，解决的技术问题在于：如何结合患者的DE-MRI影像量化结果及其他临床特征数据，构建一危险程度评估模型，能够更直观地量化MI患者梗死心肌的体积，从而更全面地评估MI患者入院时的危险程度，并增强模型评估的特异性。
为解决以上技术问题，本发明提供一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，包括模型生成模块、临床特征整合模块、分数计算模块和危险程度判断模块；
所述模型生成模块用于确定影响心肌梗死的临床数据类别，以及基于所述临床数据类别构建对应的计分模型；所述临床数据类别包含患者的延迟强化核磁影像；
所述临床特征整合模块用于按照所述临床数据类别获取患者的M种临床特征，3≤M≤5；
所述分数计算模块用于将M种临床特征输入所述计分模型中，得到患者的评价分数；
所述危险程度判断模块用于根据所述评价分数确定该患者的心肌梗死危险程度。
本系统基于MI患者的DE-MRI影像(即延迟强化核磁影像)及入院时的相关临床数据(10类以上)而建立，通过模型生成模块创建一个用于计算心肌梗死危险分数的计分模型，该模型在应用时仅需不超过5类的临床特征即可完成准确和全面的危险程度评估，以便于MI患者及医护人员能够选择更加合理的治疗策略，制定更加完善的个性化随访方案。
优选的，所述模型生成模块包括数据集获取单元、图像处理单元、特征筛选单元和模型生成单元；
所述数据集采集单元用于获取多位正常患者与多位心肌梗死患者的包含延迟强化核磁影像在内的N项临床数据作为数据集，N≥10；
所述图像处理单元用于对所述数据集中的延迟强化核磁影像进行处理，得到每位患者的梗死心肌与健康心肌之间的梗死体积比；
所述特征筛选单元用于对N项临床数据所对应的包含梗死体积比在内的N项临床特征进行筛选，确定影响心肌梗死的M种临床特征；
所述模型生成单元用于根据所述数据集构建M种临床特征的计分模型。
在构建模型时，需要考虑较多的数据类别，然后进行筛选，确认对心肌梗死独立影响的类别。本发明采用数据集采集单元获取大量数据，采用图像处理单元对这些数据中的延迟强化核磁影像进行处理，计算体积比作为临床特征与其他无需处理的特征一起输入特征筛选单元进行筛选，通过一定的筛选机制确定影响心肌梗死的、最后参与分数计算的M种临床特征，最后根据构建这M种临床特征的计分模型，如此可确保最后确定的M种临床特征能够基本代表所有的数据参与危险程度评估，该计分模型结构简单、特异性强、准确度高、计算速度快。
优选的，所述特征筛选单元包括单变量逻辑回归筛选单元和多变量逻辑回归筛选单元；
所述单变量逻辑回归筛选单元用于采用单变量Logistic回归算法分别对N项临床数据进行拟合，并利用似然比检验法计算其回归系数的P值，以P值等于0.05为显著性水平筛选出所有P值小于0.05的Q种临床特征；
所述多变量逻辑回归筛选单元用于采用多变量Logistic回归算法对单变量逻辑回归筛选单元筛选出的Q种临床特征同时进行拟合，并利用似然比检验法计算其回归系数的P值，以P值等于0.05为显著性水平筛选出所有P值小于0.05的临床特征，得到参与评估的M种临床特征。
本系统采用单变量逻辑回归筛选单元对N项临床数据进行初步筛选，筛选出与心肌梗死相关度较高的临床特征，再采用多变量逻辑回归筛选单元对这些临床特征进行再次筛选，最后筛选出影响心肌梗死的M种独立危险因素(临床特征)，参与危险程度评估。本系统采用单变量Logistic回归算法和多变量Logistic回归算法相结合并设置显著性水平进行特征筛选的双重筛选机制，可解释性强、训练速度快且分类精准。
优选的，所述计分模型计算评价分数时遵循：
S＝S(X1)*[β1]+S(X2)*[β2]+…+S(XM)*[βM]
其中，Xm表示一个患者的M种临床特征，βm表示M种临床特征所对应的回归系数，[]表示取整，S(Xm)表示根据Xm的特征值计算其对应分数值的函数，m＝1，2，...，M。
计分模型对每种临床特征进行单独考虑，把取整的回归系数作为每种特征的权重，与特征函数S(Xm)本身的分值相乘，最后将所有的乘积项相加的结果作为一个患者的评估分数，代表该患者的危险程度，分数越高则越危险。经验证，该模型性能优异，能够准确地对MI患者的危险程度进行分级。
优选的，M种临床特征X1～XM分别为体积比、性别、冠心病家族史及ST段抬高，体积比＝梗死体积比*10，梗死体积比为根据患者的延迟强化核磁影像生成的梗死心肌与健康心肌的体积之比。这是两次逻辑回归的筛选结果，这些都是剔除了相关危险因素后的独立危险因素，具有典型意义。
优选的，S(Xm)具体表示为：
对于性别、冠心病家族史及ST段抬高这三类特征，因为只有两类结果，故用0表示不影响，用1表示影响。而体积比是具体的数值，则根据数值的高低决定分值的高低。这种函数设置，则综合考虑了各种特征的特性，结合取整的回归系数，使得患者的得分较为客观。
优选的，[β1]＝6，[β2]＝3，[β3]＝6，[β4]＝4，这根据数据集中大量的数据计算得出，能够反应真实的情况。
优选的，所述图像处理单元先采用图像分割算法将延迟强化核磁影像分割为背景区域、心肌区域、心腔区域、心肌梗死区域及无回流区域，再根据心肌区域及心肌梗死区域像素点的数量计算患者梗死心肌与健康心肌的梗死体积比。
优选的，N项临床数据分别为延迟强化核磁影像、性别、年龄、吸烟史、IBM体重指数、糖尿病史、冠心病家族史、ST段抬高、心肌肌钙蛋白值、Killip分级、左心室射血分数及N末端前体脑利钠肽值。
优选的，所述危险程度判断模块根据所述评价分数所属的分值区间判定该患者的心机梗死危险程度，其中分值区间包括分值从低到高的低危区间、中危区间和高危区间。
附图说明
图1是本发明实施例提供的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统的模块结构图；
图2是本发明实施例提供的数据集中Case N0068号正常患者的DE-MRI影像中健康心肌区域的分割结果图；
图3是本发明实施例提供的Case N0068号正常患者的DE-MRI影像中心肌梗死区域的分割结果图；
图4是本发明实施例提供的Case P0008号心肌梗死患者的DE-MRI影像中健康心肌区域的分割结果图；
图5是本发明实施例提供的Case P0008号心肌梗死患者的DE-MRI影像中心肌梗死区域的分割结果图；
图6是本发明实施例提供的本系统(添加体积比作为临床特征)的ROC曲线图；
图7是本发明实施例提供的将本系统剔除体积比这一临床特征后的ROC曲线图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
为了结合患者的包含DE-MRI影像在内的多项临床特征数据，对患者的心肌梗死危险程度进行评估，本发明实施例提供一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其结构如图1所示，包括模型生成模块、临床特征整合模块、分数计算模块和危险程度判断模块。
模型生成模块用于确定影响心肌梗死的临床数据类别，以及基于临床数据类别构建对应的计分模型；临床数据类别包含患者的延迟强化核磁影像；
临床特征整合模块用于按照临床数据类别获取患者的M种临床特征，3≤M≤5；
分数计算模块用于将M种临床特征输入计分模型中，得到患者的评价分数；
危险程度判断模块用于根据评价分数确定该患者的心肌梗死危险程度。
具体的，模型生成模块包括数据集获取单元、图像处理单元、特征筛选单元和模型生成单元。
数据集采集单元用于获取多位正常患者与多位心肌梗死患者的包含延迟强化核磁影像在内的N项临床数据作为数据集，N≥10；
图像处理单元用于对数据集中的延迟强化核磁影像进行处理，得到每位患者的梗死心肌与健康心肌之间的梗死体积比；
特征筛选单元用于对N项临床数据所对应的包含梗死体积比在内的N项临床特征进行筛选，确定影响心肌梗死的M种临床特征；
模型生成单元用于根据所述数据集构建M种临床特征的计分模型。
在本实施例中，数据集获取单元获取的数据集来自于EMIDEC数据库，该数据库包含150位不同的患者，其中的50例为正常患者，100例为MI患者。注射造影剂，可得到患者的DE-MRI影像，其中MI患者在DE-MRI上存在有高增强区域。除此之外，该数据及还包括这150位患者的其他临床特征数据如表1所示：
表1 EMIDEC数据库特征表
在构建计分模型时，需要考虑较多的数据类别，然后进行筛选，确认对心肌梗死独立影响的类别。本发明采用数据集采集单元获取大量数据，采用图像处理单元对这些数据中的延迟强化核磁影像进行处理，计算体积比(梗死体积比*10)作为临床特征与其他无需处理的特征(性别、年龄、吸烟史、IBM体重指数、糖尿病史、冠心病家族史、ST段抬高、心肌肌钙蛋白值、Killip分级、左心室射血分数及N末端前体脑利钠肽值)一起(共计13类)输入特征筛选单元进行筛选，通过一定的筛选机制确定影响心肌梗死的最后参与分数计算的M种临床数据类别，最后构建这M种临床特征的计分模型，如此可确保最后确定的M种临床数据类别能够基本代表所有的数据参与危险程度评估，该计分模型结构简单、特异性强、准确度高、计算速度快。
在本实施例中，图像处理单元先采用图像分割算法(2D Unet网络)将延迟强化核磁影像分割为背景区域、心肌区域、心腔区域、心肌梗死区域及无回流区域，再根据心肌区域及心肌梗死区域像素点的数量计算患者梗死心肌与健康心肌的梗死体积比。
EMIDEC数据库训练集中DE-MRI影像的像素标签总共有5类(背景区域、心肌区域、心腔区域、心肌梗死区域及无回流区域)，而对于本模型则只需关注心肌区域及心肌梗死区域，且EMIDEC数据库中的DE-MRI图像数据均为体素，因此能够通过统计2D Unet网络分割结果中心肌区域及心肌梗死区域像素点的数量直接计算患者梗死心肌与健康心肌的梗死体积比。部分患者梗死体积比的数据如表2所示：
表2患者(部分)DE-MRI体积比计算结果表
本系统采用常用的2D Unet网络分割患者的DE-MRI影像，得到患者DE-MRI影像中健康心肌及梗死心肌的区域。部分患者DE-MRI的分割结果示例如图2至图5所示，图2与图3为Case N0068号正常患者的心肌区域及心肌梗死区域分割结果图，由图可知患者的DE-MRI影像由多个切片构成，且正常患者不存在心肌梗死区域，即图3中不存在高亮(白色)区域。而图4与图5为Case P0008号心肌梗死患者的心肌区域及心肌梗死区域分割结果图，由图4可知心肌梗死患者的心肌区域由健康心肌(图4所示高亮区域)和梗死心肌(图5所示高亮区域)两部分组成。这里的图像分割算法——2D Unet网络仅仅是一种举例说明，本实施例并不限制图像分割的具体算法，能够分割出健康心肌和梗死心肌的区域即可，比如2D UNet、3D UNet、Res UNet、Dense UNet、MultiRes UNet、R2 Unet及Attention UNet。
由于数据集中的DE-MRI图像质量不高，导致分割区域的边界模糊，因此出现正常患者的体积比不为0的情况，但通过表1可知，正常患者与MI患者的体积比相差1-2个量级，所以正常患者体积比不为0的问题可以在一定程度上忽略。
DE-MRI影像分割完成后，记录所有患者DE-MRI量化的梗死体积比的数值，并将体积比＝梗死体积比*10作为一项临床特征添加到现有的多项临床特征中。
此时一般认为除了案例号和切片间隔这两个特征对心机梗死没有影响外，梗死体积比、性别、年龄、吸烟史、IBM体重指数、动脉性高血压史、糖尿病史、冠心病家族史、ST段抬高、心肌肌钙蛋白值、Killip分级、左心室射血分数及N末端前体脑利钠肽值这些都是可能影响心机梗死的特征。但如果将这些可能影响心肌梗死的特征(共计13类)都考虑进去，则整个评估过程会非常复杂，模型的运行速度、估计的准确率都无法预估。但考虑这些特征中有些相关性比较高，可以采用特征筛选单元进行筛选，将某些特征予以剔除。筛选分为先后两步，分别是单变量逻辑回归筛选和多变量逻辑回归筛选，分别由单变量逻辑回归筛选单元和多变量逻辑回归筛选单元执行。具体的筛选过程是：
单变量逻辑回归筛选单元采用单变量Logistic回归算法分别对N(＝13)项临床数据进行拟合，并利用似然比检验法计算其回归系数的P值，以P值等于0.05为显著性水平筛选出所有P值小于0.05的Q(＝8)种临床特征；
多变量逻辑回归筛选单元采用多变量Logistic回归算法对单变量逻辑回归筛选单元筛选出的Q(＝8)种临床特征同时进行拟合，并利用似然比检验法计算其回归系数的P值，以P值等于0.05为显著性水平筛选出所有P值小于0.05的临床特征，得到参与评估的M(＝4)种临床特征。
单变量Logistic回归算法的分析结果如表3所示：
表3单变量Logistic回归分析结果表
由表3可知，临床特征中体积比、性别、年龄、吸烟史、动脉性高血压、冠心病家族史、ST段抬高及N末端前体脑利钠肽P值这8类(Q＝8)均小于0.05，表示这些临床特征与心肌梗死相关性较高，应作为多变量Logistic回归算法的待选特征。
这里，单变量逻辑回归筛选单元的处理过程为：每次输入一个临床特征(Aj，j＝1，2，...，N，N＝13)进入单变量逻辑回归方程：
得到该逻辑回归方程的回归系数(βA j，j＝1，2，...，N，N＝13)，使用似然比检验方法对每个回归系数进行假设检验，似然比检验的过程就是计算P值的过程，将所有P值大于0.05的临床特征筛选出来，放入到多变量逻辑回归方程中，进行似然比检验的目的是判断该项临床特征是否对心肌梗死有影响。
进一步，多变量逻辑回归筛选单元的处理过程为：将单变量逻辑回归筛选单元筛选出来的所有临床特征(Bj，j＝1，2，...，Q，Q＝8)输入到多变量逻辑回归方程：
得到该逻辑回归方程的回归系数(βB j，j＝1，2，...，Q，Q＝8)，使用似然比检验方法对每个回归系数进行假设检验，似然比检验的过程就是计算P值的过程，将所有P值大于0.05的临床特征筛选出来，作为影响心机梗死的独立危险因素，所有的独立危险因素都将作为心机梗死患者危险程度的评估项，其对应的回归系数，四舍五入取整后就是该项独立危险因素的分值，进行似然比检验的目的是判断该项临床特征是否对心肌梗死有影响。
P值的计算过程(似然比检验法)如下：
1)设临床特征Xj对应的回归系数为βj，显著性水平α＝0.05；
2)提出原假设H0：βj≠0(该项临床特征与心肌梗死有关)和备择假设H1：βj＝0(该项临床特征与心肌梗死无关)；
3)拟合不包含临床特征Xj的逻辑回归方程，求其对数似然函数值ln L0；
4)拟合包含临床特征Xj的逻辑回归方程，求其对数似然函数值ln L1；
5)构造并计算似然比统计量G：G＝2(ln L1-ln L0)；
6)计算P值：P＝2P(χ2≥G)，P(χ2≥G)表示卡方值χ2大于G的概率；
7)比较P值与显著性水平α(0.05)的大小：
若P≤0.05，则接受原假设H0，认为该项临床特征与心肌梗死有关；
若P＞0.05，则拒绝原假设H0，接受备择假设H1，认为该项临床特征与心肌梗死无关。
以单变量Logistic的分析结果为基础，使用多变量Logistic回归方程分析其筛选出的临床特征，以P值等于0.05为显著性水平，得到影响心肌梗死的独立危险因素如表4所示：
表4独立危险因素表
由表4可知，体积比、性别、冠心病家族史及ST段抬高这4类(M＝4)临床特征均为影响心肌梗死的独立危险因素。最终得到的逻辑回归方程为：
基于该逻辑回归方程，本例将筛选出的独立危险因素(X1～XM)的回归系数(β1～βM)四舍五入取整作为其对应的权重系数，模型生成单元构建的计分模型表达为：
S＝S(X1)*[β1]+S(X2)*[β2]+…+S(XM)*[βM]
其中，Xm表示一个患者的M种临床特征，βm表示M种临床特征所对应的回归系数，[]表示取整，S(Xm)表示根据Xm的特征值计算其对应分数值的函数，m＝1，2，...，M，这里M＝4，[β1]＝6，[β2]＝3，[β3]＝6，[β4]＝4。S(Xm)具体表示为：
其分值表如表5所示。
表5独立危险因素分值表
本系统采用单变量Logistic回归算法和多变量Logistic回归算法相结合并设置显著性水平进行特征筛选的双重筛选机制，可解释性强、训练速度快且分类精准。
在计分模型生成后，则可用于实际应用。再次参见图1，应用时，临床特征整合模块采集患者的M(M＝4)项数据(包括延迟强化核磁影像、性别、冠心病家族史、ST段抬高)，临床特征整合模块则对延迟强化核磁影像进行图像处理(与图像处理单元一致)，得到该患者的梗死心肌与健康心肌之间的梗死体积比。分数计算模块中设置有计分模型，依据临床特征整合模块整合的该患者的4项临床特征(体积比＝梗死体积比*10，性别、冠心病家族史、ST段抬高)进行运算，得到该患者的危险分数。危险程度判断模块根据评价分数所属的分值区间判定该患者的心机梗死危险程度，其中分值区间包括分值从低到高的低危区间、中危区间和高危区间，如表6所示。
表6心肌梗死危险程度分级表
为了验证本系统的有效性，本例还绘制了如图6及图7所示的系统的ROC曲线图。
图6为将DE-MRI分割计算得到的体积比添加到临床特征中的ROC曲线图，由图6可以计算出ROC曲线下的面积，即AUC值为0.987。按照评价评分系统预测效能的高低，ROC曲线下面大于0.8为优秀，0.7-0.8为中等，0.6-0.7为差，小于0.5为无意义的原则判定，图6表明本系统性能优异，能够准确地对MI患者的危险程度进行分级。
图7为未考虑体积比只考虑其他临床特征的模型的ROC曲线图，由图7可以计算出ROC曲线下的面积，即AUC值为0.805，其模型的AUC值明显低于添加体积比作为临床特征的模型，说明添加体积比作为临床特征的模型可以更全面的评估MI患者心肌梗死的危险程度。
综上，基于MI患者的DE-MRI影像(即延迟强化核磁影像)及入院时的相关临床数据(性别、年龄、吸烟史、IBM体重指数、糖尿病史、冠心病家族史、ST段抬高、心肌肌钙蛋白值、Killip分级、左心室射血分数及N末端前体脑利钠肽值)，本发明建立了一个更准确更全面的心肌梗死危险程度评估系统，该系统在模型建立阶段综合考虑了13类临床数据，最后筛选出了4项独立影响因素(临床特征)。在应用阶段则仅需这4项临床特征(体积比＝梗死体积比*10，性别、冠心病家族史、ST段抬高)即可完成准确和全面的危险程度评估，以便于MI患者及医护人员能够选择更加合理的治疗策略，制定更加完善的个性化随访方案。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，比如添加更多的临床特征数据、更换DE-MRI的图像分割算法、采用其他的回归算法(如：K近邻回归、决策树回归、多项式回归、逐步回归、岭回归、LASSO回归与ElasticNet回归等)或是使用其他的危险等级分层方法等，都包含在本发明的保护范围之内。
Claims (10)
1.一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：包括模型生成模块、临床特征整合模块、分数计算模块和危险程度判断模块；
所述模型生成模块用于确定影响心肌梗死的临床数据类别，以及基于所述临床数据类别构建对应的计分模型；所述临床数据类别包含患者的延迟强化核磁影像；
所述临床特征整合模块用于按照所述临床数据类别获取患者的M种临床特征，3≤M≤5；
所述分数计算模块用于将M种临床特征输入所述计分模型中，得到患者的评价分数；
所述危险程度判断模块用于根据所述评价分数确定该患者的心肌梗死危险程度。
2.如权利要求1所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：所述模型生成模块包括数据集获取单元、图像处理单元、特征筛选单元和模型生成单元；
所述数据集采集单元用于获取多位正常患者与多位心肌梗死患者的包含延迟强化核磁影像在内的N项临床数据作为数据集，N≥10；
所述图像处理单元用于对所述数据集中的延迟强化核磁影像进行处理，得到每位患者的梗死心肌与健康心肌之间的梗死体积比；
所述特征筛选单元用于对N项临床数据所对应的包含梗死体积比在内的N项临床特征进行筛选，确定影响心肌梗死的M种临床特征；
所述模型生成单元用于根据所述数据集构建M种临床特征的计分模型。
3.如权利要求2所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：所述特征筛选单元包括单变量逻辑回归筛选单元和多变量逻辑回归筛选单元；
所述单变量逻辑回归筛选单元用于采用单变量Logistic回归算法分别对N项临床数据进行拟合，并利用似然比检验法计算其回归系数的P值，以P值等于0.05为显著性水平筛选出所有P值小于0.05的Q种临床特征；
所述多变量逻辑回归筛选单元用于采用多变量Logistic回归算法对单变量逻辑回归筛选单元筛选出的Q种临床特征同时进行拟合，并利用似然比检验法计算其回归系数的P值，以P值等于0.05为显著性水平筛选出所有P值小于0.05的临床特征，得到参与评估的M种临床特征。
4.如权利要求3所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于，所述计分模型计算评价分数时遵循：
S＝S(X1)*[β1]+S(X2)*[β2]+…+S(XM)*[βM]
其中，Xm表示一个患者的M种临床特征，βm表示M种临床特征所对应的回归系数，[]表示取整，S(Xm)表示根据Xm的特征值计算其对应分数值的函数，m＝1，2，…，M。
5.如权利要求4所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：M种临床特征X1～XM分别为体积比、性别、冠心病家族史及ST段抬高，体积比＝梗死体积比*10，梗死体积比为根据患者的延迟强化核磁影像生成的梗死心肌与健康心肌的体积之比。
6.如权利要求5所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于，S(Xm)具体表示为：
7.如权利要求6所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：[β1]＝6，[β2]＝3，[β3]＝6，[β4]＝4。
8.如权利要求2～7任一项所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：所述图像处理单元先采用图像分割算法将延迟强化核磁影像分割为背景区域、心肌区域、心腔区域、心肌梗死区域及无回流区域，再根据心肌区域及心肌梗死区域像素点的数量计算患者梗死心肌与健康心肌的梗死体积比。
9.如权利要求8所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：N项临床数据分别为延迟强化核磁影像、性别、年龄、吸烟史、IBM体重指数、糖尿病史、冠心病家族史、ST段抬高、心肌肌钙蛋白值、Killip分级、左心室射血分数及N末端前体脑利钠肽值。
10.如权利要求8所述的一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统，其特征在于：所述危险程度判断模块根据所述评价分数所属的分值区间判定该患者的心机梗死危险程度，其中分值区间包括分值从低到高的低危区间、中危区间和高危区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110387865.8A CN113113143B (zh) | 2021-04-12 | 2021-04-12 | 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110387865.8A CN113113143B (zh) | 2021-04-12 | 2021-04-12 | 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113113143A true CN113113143A (zh) | 2021-07-13 |
| CN113113143B CN113113143B (zh) | 2024-03-01 |
Family
ID=76715887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110387865.8A Active CN113113143B (zh) | 2021-04-12 | 2021-04-12 | 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113113143B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658699A (zh) * | 2021-08-10 | 2021-11-16 | 东莞市人民医院 | 克罗恩病的全面疾病严重程度指数的预测方法及相关设备 |
| CN116189899A (zh) * | 2023-04-26 | 2023-05-30 | 淄博市中心医院 | 一种基于机器学习的急危重症辅助评估系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140141534A (ko) * | 2013-05-31 | 2014-12-10 | 가톨릭대학교 산학협력단 | 패혈증 고위험군 예측 방법 및 시스템 |
| WO2017063542A1 (zh) * | 2015-10-12 | 2017-04-20 | 复旦大学 | 稳定化a7r多肽及其在构建肿瘤靶向诊治递药系统中的用途 |
| CN111242928A (zh) * | 2020-01-14 | 2020-06-05 | 中国人民解放军陆军军医大学第二附属医院 | 基于多视角学习的心房全自动分割跟踪定位方法 |
| CN112420196A (zh) * | 2020-11-20 | 2021-02-26 | 长沙市弘源心血管健康研究院 | 急性心肌梗死患者5年内生存率的预测方法和系统 |
-
2021
- 2021-04-12 CN CN202110387865.8A patent/CN113113143B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140141534A (ko) * | 2013-05-31 | 2014-12-10 | 가톨릭대학교 산학협력단 | 패혈증 고위험군 예측 방법 및 시스템 |
| WO2017063542A1 (zh) * | 2015-10-12 | 2017-04-20 | 复旦大学 | 稳定化a7r多肽及其在构建肿瘤靶向诊治递药系统中的用途 |
| CN111242928A (zh) * | 2020-01-14 | 2020-06-05 | 中国人民解放军陆军军医大学第二附属医院 | 基于多视角学习的心房全自动分割跟踪定位方法 |
| CN112420196A (zh) * | 2020-11-20 | 2021-02-26 | 长沙市弘源心血管健康研究院 | 急性心肌梗死患者5年内生存率的预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| RU JIA等: "Cyclic compression emerged dual effects on the osteogenic and osteoclastic status of LPS-induced inflammatory human periodontal ligament cells according to loading force", 《BMC ORAL HEALTH》, vol. 20, no. 7, 6 January 2020 (2020-01-06), pages 1 - 11 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658699A (zh) * | 2021-08-10 | 2021-11-16 | 东莞市人民医院 | 克罗恩病的全面疾病严重程度指数的预测方法及相关设备 |
| CN113658699B (zh) * | 2021-08-10 | 2022-12-06 | 东莞市人民医院 | 克罗恩病的全面疾病严重程度指数的预测方法及相关设备 |
| CN116189899A (zh) * | 2023-04-26 | 2023-05-30 | 淄博市中心医院 | 一种基于机器学习的急危重症辅助评估系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113113143B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109920547A (zh) | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 | |
| CN113113143B (zh) | 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统 | |
| CN108694994B (zh) | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 | |
| CN115393269A (zh) | 一种基于多模态影像数据的可扩展多层级图神经网络模型 | |
| CN113274031B (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
| CN112530594B (zh) | 一种基于卷积生存网络的血透并发症长期风险预测系统 | |
| CN113164142B (zh) | 相似度确定装置、方法及程序 | |
| CN108962382B (zh) | 一种基于乳腺癌临床高维数据的分层重要特征选择方法 | |
| Zhang et al. | Nonlaboratory-based risk assessment model for type 2 diabetes mellitus screening in Chinese rural population: a joint bagging-boosting model | |
| Kwakye et al. | Machine learning-based classification algorithms for the prediction of coronary heart diseases | |
| CN110970129B (zh) | 一种基于改进贝叶斯统计判断中医证候的方法 | |
| Lu et al. | Data enhancement and deep learning for bone age assessment using the standards of skeletal maturity of hand and wrist for chinese | |
| CN116564512A (zh) | 心力衰竭合并肾功能不全患者的人工智能预后评估系统 | |
| Venkatraman et al. | Missing data imputation for individualised CVD diagnostic and treatment | |
| CN115067887A (zh) | 一种基于结构脑连接组方法的阿尔兹海默症预测平台 | |
| CN106570346B (zh) | 生理状况评估因子确定方法、生理状况评估因子确定系统 | |
| CN109192306A (zh) | 一种糖尿病的判断装置、设备及计算机可读存储介质 | |
| CN113658693A (zh) | 一种用于新冠肺炎患者加重风险预测模型系统 | |
| JP7413257B2 (ja) | 少なくとも１つの表現型変数の個人の特徴の評価 | |
| CN116386879B (zh) | 一种风险等级的预测装置及计算机存储介质 | |
| Zhang et al. | A Study on Multidimensional Medical Data Processing Based on Random Forest | |
| CN111048199B (zh) | 一种探究多生理变量对疾病重要程度的方法 | |
| CN115064267B (zh) | 一种胆道闭锁风险评估系统及其建立方法 | |
| Chakrapani et al. | Retinal blood vessel segmentation using AI | |
| Shehab et al. | Accurate Prediction of Pulmonary Fibrosis Progression Using EfficientNet and Quantile Regression: A High Performing Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |