CORAL机器学习系统通过分析冠状动脉血流模式实现冠心病微血管疾病早期诊断

《Cardiovascular Diabetology》：CORAL: a machine learning algorithm to identify coronary microvascular disease from doppler coronary blood flow patterns

摘要

背景

冠心病微血管疾病（CMD）在患者中的直接诊断一直难以实现，目前仍依赖于组合标准进行诊断。近期在小鼠中的数据显示，冠状动脉血流（CBF）模式可能包含"指纹"特征，这些特征可能是CMD的新型无创指标。

目标

本研究旨在验证以下假设：通过对CBF模式进行机器学习（ML）分析，可以直接或间接准确地识别CMD。

方法

机器学习的训练和测试数据来源于对照组和糖尿病db/db小鼠，分别在CMD早期（12周）、确诊期（16周）和老年期（36周）进行采集（n = 460）。独立测试数据来自西方饮食喂养（WD）的CMD小鼠模型（n = 40）。所有小鼠均通过超声心动图和压力-容积（PV）环导管插入术评估CBF和心功能。CBF图像经处理后输入CORAL（冠状动脉风险评估学习系统），这是一个可选输入心功能特征的机器学习分类器，通过多层感知器实现。

结果

使用CORAL进行CBF模式分析，在12周龄（CMD早期）时获得了惊人的100%准确率。CORAL在测试数据集和独立测试数据集中分别以81%和83%的准确率正确识别了确诊期CMD。纳入心功能参数后，测试数据集和独立测试数据集的准确率分别提高至89%和90%。

结论

本研究展示了CORAL解锁CBF模式中此前未被利用特征的新能力，这些特征可在疾病进展早期准确识别CMD。我们设想，对CORAL的进一步优化改进可能实现患者中CMD的直接准确诊断。

图形摘要

背景

冠心病微血管疾病（CMD）在患者中的直接诊断一直难以实现，目前仍依赖于组合标准进行诊断。近期在小鼠中的数据显示，冠状动脉血流（CBF）模式可能包含"指纹"特征，这些特征可能是CMD的新型无创指标。

目标

本研究旨在验证以下假设：通过对CBF模式进行机器学习（ML）分析，可以直接或间接准确地识别CMD。

方法

机器学习的训练和测试数据来源于对照组和糖尿病db/db小鼠，分别在CMD早期（12周）、确诊期（16周）和老年期（36周）进行采集（n = 460）。独立测试数据来自西方饮食喂养（WD）的CMD小鼠模型（n = 40）。所有小鼠均通过超声心动图和压力-容积（PV）环导管插入术评估CBF和心功能。CBF图像经处理后输入CORAL（冠状动脉风险评估学习系统），这是一个可选输入心功能特征的机器学习分类器，通过多层感知器实现。

结果

使用CORAL进行CBF模式分析，在12周龄（CMD早期）时获得了惊人的100%准确率。CORAL在测试数据集和独立测试数据集中分别以81%和83%的准确率正确识别了确诊期CMD。纳入心功能参数后，测试数据集和独立测试数据集的准确率分别提高至89%和90%。

结论

本研究展示了CORAL解锁CBF模式中此前未被利用特征的新能力，这些特征可在疾病进展早期准确识别CMD。我们设想，对CORAL的进一步优化改进可能实现患者中CMD的直接准确诊断。

图形摘要