利用深度学习从心房颤动患者的胸部X光片中预测心力衰竭

《Array》:Deep Learning for Heart Failure Prediction from Chest X-Ray in AF

【字体: 大 中 小 】 时间:2026年05月01日 来源:Array 4.5

编辑推荐:

  蔡大华|张圣楠|黄邦硕|陈建俊|吴卓凯|黄珏珍|穆罕默德·法伊萨尔|王义志|刘建修|蔡家棣 台湾国立科技大学电子与计算机工程系,台北,台湾 **摘要** 心力衰竭(HF)和心房颤动(AF)在老年患者中常常共存,这给诊断带来了复杂性。本研究评估了基于人工智能(AI)的

  蔡大华|张圣楠|黄邦硕|陈建俊|吴卓凯|黄珏珍|穆罕默德·法伊萨尔|王义志|刘建修|蔡家棣
台湾国立科技大学电子与计算机工程系,台北,台湾

**摘要**
心力衰竭(HF)和心房颤动(AF)在老年患者中常常共存,这给诊断带来了复杂性。本研究评估了基于人工智能(AI)的胸部X光(CXR)分析在AF患者中检测HF的可行性。利用卷积神经网络,分析了1,840张患有HF的AF患者的CXR图像以及2,100张未患HF的患者的CXR图像。在测试的模型中,Inception-ResNet-v2表现出最高的准确性(91.2%)、精确度(94.9%)、召回率(87.9%)和F1分数(91.2%)。该模型的曲线下面积为0.968,灵敏度和特异性分别为0.864和0.967。鉴于仅通过CXR诊断HF的挑战性,这些发现突显了基于AI的分析在提高AF患者早期检测和干预方面的潜力。通过提高诊断准确性和可及性,AI驱动的成像技术可以支持临床决策并优化患者预后。

**1. 引言**
近年来,由于老年人口的增长,心力衰竭(HF)已成为住院的主要原因。HF的诊断过程可能具有挑战性,通常需要多种检查。在各种HF诊断方法中,胸部X光(CXR)是最常见、最容易获得且无创的工具,能够提供关于患者心脏状况的重要信息。CXR上有多种与HF相关的征象,如心尖周围浸润、间质和肺泡水肿、胸腔积液、心脏扩大、心胸比增加、蝴蝶征或肺静脉淤血等。然而,这些征象有时较为隐匿或细微,医生仅凭CXR难以做出明确的HF诊断,尤其是对于那些左心室射血分数(LVEF)保留的HF患者,他们的心脏扩大并不明显甚至不存在。

深度学习(也称为人工智能AI)的最新进展使得机器能够自动分析大量复杂数据,如CXR。AI技术基于受人类大脑启发的神经网络结构,其特点在于能够从数据中区分特征并处理非线性关系。先前的许多研究已使用AI技术来解读医学图像,用于肺癌、肝病、脑肿瘤、胃肠道息肉和肌肉骨骼疾病的早期识别和分类。在此基础上,深度学习辅助的CXR解读作为传统临床评估的补充工具,在HF诊断中具有巨大潜力。

在本研究中,我们旨在探讨几种深度学习算法在从AF患者(无论是否伴有HF)的CXR图像中诊断HF的表现。AF和HF是相互关联的疾病,影响着数百万人,因为它们通常是相同潜在心肌疾病的表现。本研究的结果可能有助于识别AF患者中的HF患者,并及时给予预防或适当的治疗。

**2. 方法**
2.1. 数据集描述
AF患者来自台湾国立大学医院(NTUH)综合医学数据库(NTUH-iMED)的回顾性纵向随访队列,该数据库是我们国家台湾大学心房颤动登记系统(NTUAFR)的子研究。2010年1月至2020年12月期间,诊断为持续性或阵发性AF的患者被纳入该随访队列。伴有HF的AF患者是指在随访期间确诊为HF并住院治疗的患者。本研究已获得台湾国立大学医院医学研究部伦理委员会和机构审查委员会(IRB)的批准(批准编号分别为200911002R和202010086RIND)。CXR图像是在患者稳定期获得的,既可以在门诊诊所也可以在非急性住院期间获取。急性失代偿HF发作期间获得的图像被排除在外,以便模型专注于识别未来可能发生HF事件的风险患者,而不是诊断活动性疾病。所有以直立、坐姿或仰卧姿势获取的CXR图像均被纳入分析。

在伴有HF的AF患者中,三分之一患者的LVEF低于50%(LVEF降低的HF,HFrEF),三分之二患者的LVEF高于50%(LVEF保留的HF,HFpEF)。非HF的AF患者是指没有HF记录的患者。为了提高研究结果对一般人群的适用性,我们还包括了来自Kaggle网站的正常CXR图像。最终,共有1,840张HF患者的CXR图像和2,100张非HF患者的CXR图像被用于AI深度学习分析。HF的诊断依据是2021年欧洲心脏病学会的指南。

2.2. 深度学习模型
数据集通过自动随机抽样分为训练集(80%)、验证集(10%)和测试集(10%)。选择过程由软件完成,确保队列分配无偏见。模型性能通过准确性、精确度、召回率和F1分数进行评估。

在模型开发过程中,患者病例是从我们的iMED数据库中随机选取的,确保了匿名处理,不会暴露个人身份或人口统计特征。对照组患者同样来自外部外包数据库,也无法获取人口统计信息。因此,人口统计变量未被纳入模型训练中,因为主要目标是开发一个仅依赖输入影像数据生成预测结果的系统。

为了实现基于CXR图像的HF诊断,我们使用了多种卷积神经网络(CNN)来实现识别功能。CNN是一种神经网络类型,首次发表于1998年,能够自动提取图像的高级特征。与传统的图像识别方法不同,CNN无需手动定义图像特征,而是直接处理原始像素数据并训练模型以自动提取特征,从而实现更高效的分类。CNN在图像识别方面非常强大,可以扩展为多种不同的结构以适应不同的应用需求。典型的CNN包含三个主要组件:卷积层、池化层和全连接层。卷积层是一个与输入区域局部相关的滤波器,通过滑动学习特征信息。卷积层的输出使用ReLU激活函数进行激活,其表达式为f(a) = max(0, a)。ReLU通过非线性函数将输入特征映射到更高层次的特征。

2.3. 图像预处理
由于医疗设备、患者姿势和心脏位置的差异,临床CXR图像的清晰度以及心脏位置存在很大差异,因此这些图像不能直接用于疾病检测。必须对它们进行预处理以获得更清晰、标准化的图像。我们提出了一种系统化的方法来定位心脏位置、增强模糊图像,并标准化灰度和对比度。首先,裁剪图像以去除两侧不必要的部分,并根据指定位置和大小进行缩放。接下来,为了增强局部对比度,我们使用了基于直方图的对比度限制自适应直方图均衡化(CLAHE)技术,使心脏等区域更加明显。CLAHE将图像划分为M×N的瓦片,分别计算每个瓦片的直方图。我们使用公式(6)定义每个区域的平均像素数Na。然后使用公式(7)计算直方图的剪辑限制Ncl。接着,使用公式(8)计算直方图的高度Hi。最后,使用公式(9)将裁剪后的像素转换为重新分布的像素Nr。

通过全局平均池化(GAP)变换后,可以将每个特征图映射到每个神经元,从而创建类激活图(CAM)。每个神经元对应于最后一层的某个特征图,连接在GAP层上的权重可以表示该特征图对模型预测类别的重要性。我们使用了Grad-CAM方法来计算权重,该方法无需修改卷积层后的神经网络结构。在计算Grad-CAM之前,我们使用公式(4)计算每个类别c相对于卷积层特征图Ak的梯度。公式(5)表示了Grad-CAM的计算过程。ReLU激活函数用于表示特征对类别c的正面影响。

2.4. 模型训练
在训练模型时,我们将训练数据和验证数据随机分为8:2的比例。每个模型都训练了15次以上。使用准确性、精确度、召回率和F1分数评估每个模型的性能。根据准确性、精确度、召回率和F1分数选择最佳模型后,计算了该模型的曲线下面积(AUC)、灵敏度和特异性。我们还使用热图来观察模型关注CXR的哪些部分。通过卷积层最后一层的特征图输出,可以获取CNN决策的信息,并通过全局平均池化(GAP)将每个特征图映射到每个神经元,从而创建类激活图(CAM)。每个神经元在GAP变换后的状态对应于最后一层的一个特征图,连接到GAP层的权重表示该特征图对模型预测类别的重要性。将图像分割成多个瓦片,每个瓦片的大小为s,并以四个点R1、R2、R3和R4作为相邻瓦片,如公式6所示。每个瓦片都使用公式(7)、(8)、(9)、(10)、(11)进行变换。CLAHE算法的输出是由这些瓦片合并而成的图像。使用公式12中描述的双线性变换来消除每个瓦片与其相邻瓦片之间的伪影。因此,即使是在图像中较暗或较亮的区域,也可以增强局部细节。在局部改进图像后,再次使用直方图均衡化来提高整个图像的对比度。然后通过高斯模糊和二值化进行边缘检测,以去除颈部以上和肺部以外的组织。检测出肺部的边缘以提取肺区。接着进行裁剪和缩放。上述过程如图1所示。

下载:下载高分辨率图像(521KB)
下载:下载全尺寸图像

图1. 分析前的图像处理。每个图像都被裁剪以去除未使用的部分,并缩放到统一的大小。接下来,使用对比度受限自适应直方图均衡化(CLAHE)使心脏更加清晰可见。然后再次使用直方图均衡化来提高整个图像的对比度,并通过高斯模糊和二值化进行边缘检测。之后,将图像重新调整大小以获得标准化的尺寸。

2.4. 实验设置
实验是在Linux服务器上进行的,我们使用实验结果来评估所提出方案的性能。所有的训练任务都在配备有CPU(Intel(R) Xeon(R) CPU E3-1245 v5 @ 3.50GHz)、64GB RAM和NVIDIA GPU(GTX-1070 8G)的Linux服务器上完成,并使用Pytorch库实现。

2.5. 统计分析
混淆矩阵是一种用于描述分类模型性能的矩阵。我们使用混淆矩阵的参数扩展为四个不同的指标来分别讨论模型的性能。我们实验的混淆矩阵如表1所示。

表1. 混淆矩阵

空单元格
预测值
实际值
阳性
阴性
TP
FNN
阴性
FP
FN = 假阴性;FP = 假阳性;TN = 真阴性;TP = 真阳性

准确性是一种广泛用于评估分类模型性能的指标。在二元分类的背景下,准确性基于四种可能的结果来定义:真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN),如下所示:

召回率和精确度
虽然我们使用准确性来初步评估模型的性能,但准确性并不是一个好的评估方法。根据准确性悖论,在分类任务中各个类别之间存在不平衡,因此我们使用了其他参数,如召回率和精确度,这些参数可以更好地评估最终性能。精确度定义为所有预测为阳性的样本中实际为阳性的样本的百分比,而召回率定义为所有实际为阳性的样本中能够被预测出来的百分比。

在本研究中,我们专注于从CXR图像中检测心力衰竭(HF)的存在。因此,避免将没有HF的患者误诊为HF是非常重要的。因此,我们必须尽可能提高召回率,即使这会降低某些部分的精确度。最终,我们发现Inception-ResNet-v2模型的表现最好,其召回率为87.9%,同时获得了最高的精确度94.9%,是本研究中表现最佳的模型。

F1分数
由于使用不同的指标评估模型性能时,最佳模型有所不同,最后我们还使用了F1分数来评估模型性能,F1分数定义为精确度和召回率的调和平均值。F1分数的计算公式如下:

我们发现Inception-ResNet-v2在F1分数方面表现最为突出,为91.2%。我们还确认Inception-ResNet-v2是这个HF分类实验中最合适的模型。这个结果表明,仅使用患者的CXR图像,我们就可以以超过90%的准确率预测患者是否患有HFpEF。

曲线下面积(AUC)
接收者操作特征(ROC)曲线的AUC用于评估我们预测模型的判别性能。ROC曲线绘制了在不同阈值下真阳性率(敏感性)与假阳性率(1-特异性)的关系。AUC提供了一个介于0.5(无区分能力)到1.0(完美区分能力)之间的单一标量值,表示模型将随机选择的阳性实例排在随机选择的阴性实例之前的概率。较高的AUC表明模型在区分结果组方面的性能更好。

3. 结果
在本研究中,我们使用准确性、精确度、召回率和F1分数比较了各种CNN模型的性能。结果总结在表2中。就准确性而言,当使用Inception-ResNet-v2算法时,分类准确性最高(91.24%)。Inception-V3的性能也不错,分类准确率为89.56%。表现最差的算法是MnasNet,其分类准确率仅为53.5%。这个结果表明,仅使用患者的CXR图像,我们就可以以超过90%的准确率预测患者是否患有HFpEF。

表2. CNN模型结果
模型 准确率 精确度 召回率 F1分数
VGG16 0.82 10.87 0.77 10.82
EfficientNetB3 0.84 0.96 0.73 0.83
ResNet 0.86 0.91 0.81 0.86
MnasNet 0.53 0.53 1.00 0.69
Inception-V3 0.89 0.95 0.85 0.89
Inception-ResNet-v2 0.91 0.96 0.86 0.91

尽管我们可以使用准确性来初步评估模型的性能,但使用准确性来评估模型性能存在争议或悖论。根据准确性悖论,在分类任务中各个类别之间存在不平衡。因此,我们还使用了召回率和精确度来评估模型性能。精确度定义为所有预测为阳性的样本中实际为阳性的样本的百分比,而召回率定义为所有实际为阳性的样本中能够被预测出来的百分比。

在所有CNN模型中,Inception-ResNet-v2的精确度仍然最高(0.968),而MnasNet的精确度最低(0.533)。EfficientNetB3的精确度也很高(0.963)。MnasNet的召回率为1.0,是最高的。Inception-ResNet-v2的召回率为第二高(0.879)。因此,MnasNet的准确率和精确度最低,但召回率最高。MnasNet模型对所有测试集都给出了相同的标签,因此召回率为1.0。因此,MnasNet是一个失败的模型。

最后,我们还使用了F1分数来评估模型性能,F1分数定义为精确度和召回率的调和平均值。本研究的主要目的是使用CXR图像诊断心力衰竭患者,因此避免将没有HF的患者误诊为HF也很重要。因此,精确度和召回率都很重要,我们再次使用F1分数来评估模型性能。我们发现Inception-ResNet-v2的表现最好,其F1分数为0.913。因此,我们选择了Inception-ResNet-v2作为最终的CNN模型。Inception-ResNet-v2的AUC为0.968,敏感性为0.864,特异性为0.967。AUC超过0.9表示模型具有非常好的判别能力。由于CNN模型表现非常好,我们也对其用于诊断HF的CXR图像部分感兴趣。这里我们还展示了CNN模型的热图(图2)。我们发现CNN模型关注心脏阴影来诊断HF,这意味着CNN模型并不是随机猜测诊断结果的。

下载:下载高分辨率图像(352KB)
下载:下载全尺寸图像

图2. 模型的热图。热图显示卷积神经网络(CNN)模型关注心脏以区分患者是否患有心力衰竭。该患者还植入了起搏器,其密度水平相对较高,这可能会吸引CNN模型的注意力。然而,我们的CNN模型表现良好,没有受到植入设备的干扰。

错误分析总结在图3的混淆矩阵中。假阳性可能是由于非心脏原因(例如肺炎)导致的胸腔积液或间质标记增加等放射学发现,模型可能对此进行了错误解读。假阴性可能是放射学证据极少的病例,或者HF的表现不典型。

下载:下载高分辨率图像(70KB)
下载:下载全尺寸图像

图3. 模型的混淆矩阵。混淆矩阵通过显示每个类别的真实预测和错误预测的数量来说明我们分类模型的性能。基于这个矩阵,我们推导出了四个关键的评估指标来详细评估模型的性能。

最后,我们的AI模型应用于CXR图像,在识别HFpEF方面的AUC为0.78,表明模型具有良好的判别能力,并表明该模型可以仅基于CXR特征有效地区分患有HFpEF的患者和没有HFpEF的患者(图4)。AUC为0.78反映了具有临床意义的性能水平,支持AI辅助CXR解读作为HFpEF的常规临床实践中的非侵入性筛查工具的潜力。

下载:下载高分辨率图像(126KB)
下载:下载全尺寸图像

图4. 接收者操作特征(ROC)曲线的曲线下面积(AUC)。AUC用于评估我们预测模型的判别性能。ROC曲线绘制了在不同阈值下真阳性率(敏感性)与假阳性率(1-特异性)的关系。较高的AUC表明模型在区分结果组方面的性能更好。

4. 讨论
本研究有几个主要发现。首先,我们使用了几种AI模型在CXR图像阅读中识别患有HF的AF患者。尽管心脏扩大在HFrEF中很常见,但使用CXR阅读来确定患者是否患有HFpEF更为困难。其次,与之前的研究相比,我们不仅使用了AUC,还使用了准确性、精确度和F1分数来决定最适合和最有效的AI模型,以使用CXR图像识别患有HF的AF患者。第三,在关于HF和CXR的AI研究中,我们拥有最多的CXR图像用于模型构建。最后,由于HF和AF在老年人中的发病率都在增加,它们通常共存,具有相似的临床特征,并且相互影响,我们的发现提供了一种有效的方法,可以使用CXR图像识别患有隐匿性HF的AF患者,并可以尽早采取预防或治疗措施。

4.1. HF和CXR特征
HF是一种由多种心血管疾病引起的慢性疾病,如吸烟、肥胖、冠状动脉疾病、心律失常、瓣膜性心脏病、感染、药物、高血压和内分泌疾病。随着心脏功能的恶化,身体其他部位的血液供应减少,肾脏会通过保留液体来补偿。这些生理反应导致心脏体积增大或心脏扩大。CXR长期以来在全球范围内被广泛用于肺部和心脏疾病的诊断。对于HF患者,CXR上常见的心脏扩大是众所周知的放射学证据。据报道,异常的CXR可以以57%的敏感性、78%的特异性、50%的阳性预测值和3的比值比检测出HF患者。尽管目前CXR主要用于排除肺部疾病,而不是评估心脏功能。由于AI能够像人类智能一样执行逻辑任务,通过理解图像、学习语义、各种算法和认知计算来解读CXR,我们在本研究中使用了AI技术来识别HF患者。我们的结果支持先进的AI算法可以为从CXR图像诊断HF提供性能基准。

重要的是,我们的模型是在临床稳定期间获取的CXR图像上训练的,而不是在急性失代偿期间。这种设计选择反映了我们关注预测未来HF风险,而不是检测急性发作。在临床实践中,急性HF通常很明显,并且可以通过其他诊断工具得到支持,而早期或隐匿性HF可能未被识别。通过针对稳定阶段,模型可能有助于识别可以从更密切的随访或预防策略中受益的患者。

4.2.CNN- 先进的AI算法及其在心力衰竭(HF)中的应用

在本研究中,我们使用了CNN算法来评估胸部X光(CXR)图像中心力衰竭(HF)的特定特征。基本上,CNN是一种人工神经网络,由输入层、输出层以及中间的隐藏层组成。每一层都是端到端连接的,并通过从错误中学习(即所谓的反向传播)来进行训练。因此,CNN帮助网络理解节点之间的关系并降低图像的复杂性。此外,CNN算法有两个特性特别适合解释图像数据库:一个是“参数共享”,另一个是“局部连接性”,这些特性使其能够执行依赖于人类智能的数据处理任务,如理解图像、学习语义以及利用认知计算进行数据分析。在本研究中,我们比较了多种CNN算法,如VGG16、EfficientNetB3、ResNet18、MnasNet、Inception-V3、Inception-ResNet-v2和Resnext50,以寻找之前很少被研究的最佳模型。

4.3. 基于AI的心力衰竭诊断(从不同影像模式)

近年来,AI被用于促进从不同影像模式中诊断心力衰竭。Udovychenko等人提出了一种使用磁心电图和心肌电流密度分布图进行心力衰竭检测的二元分类方法,该方法使用KNN算法进行分类,准确率在80-88%之间,灵敏度为70-95%,特异性为78-95%,精确度为77-93%。Arsanjani等人提出了一种基于LogitBoost的AI算法,利用放射性核素心肌灌注成像和临床因素来早期预测心血管疾病(包括心力衰竭),准确率为81%。所有这些检查方式相比胸部X光检查来说成本更高且耗时更长。

在基于胸部X光的心力衰竭检测背景下,传统的解释主要依赖于对放射学特征的视觉评估,如心脏扩大、肺充血和胸腔积液,这些通常通过心胸比率来量化。然而,专家对胸部X光的诊断性能仍然有限,特别是在心力衰竭的早期阶段或射血分数保留(HFpEF)的患者中。同样,常用的诊断工具如脑钠尿肽(BNP)和超声心动图评估舒张功能障碍也受到年龄、肥胖、肾功能障碍和心律失常等混杂因素的影响。相比之下,AI特别是深度学习算法提供了一种根本不同的方法,可以自动提取复杂的、微妙的影像特征,这些特征可能无法通过人工解释发现。例如,Hirata等人证明,基于胸部X光的深度学习模型在检测升高的肺动脉楔压(心力衰竭的关键血流动力学指标)方面的诊断性能可与BNP水平和超声心动图舒张功能障碍评估相媲美。这些发现强调了深度学习作为补充工具的重要性,可以借助广泛可用的胸部X光图像来提高心力衰竭的检测能力。

在之前研究的基础上,Matsumoto等人进行了基于胸部X光图像的心力衰竭深度学习研究,数据集包括490张心力衰竭图像和462张非心力衰竭图像。与这项研究相比,我们的研究使用了大约4000张图像作为数据集。我们的胸部X光数据库是使用AI算法检测心力衰竭的最大数据库。此外,使用Inception-ResNet-v2进行心力衰竭诊断的准确率达到了91%,而使用Keras 2.2.5版本的准确率为82.5%。最后,我们使用AUC、准确率、精确度和F1分数来选择最合适的模型。

4.4. 使用AI算法检测房颤(AF)患者中的心力衰竭

心力衰竭和房颤(AF)的发病率正在增加,由于共同的病理生理学、合并症和可能的相同疾病机制,它们经常同时出现并相互影响。心力衰竭和房颤的存在与不良预后相关,如中风、因心力衰竭住院以及死亡率增加。与HFrEF不同,在房颤患者中诊断HFpEF仍然是一个临床挑战。这主要是由于症状重叠以及房颤对超声心动图参数和脑钠尿肽水平的干扰作用。在这项研究中,我们的基于CNN的模型展示了从胸部X光图像中检测隐匿性心力衰竭的潜力,包括HFrEF和HFpEF,即使在没有明显放射学异常的情况下也是如此。这些发现表明,基于AI的算法可以检测到常规临床解释中可能被忽略的心力衰竭的微妙影像特征。该模型适用于门诊诊所或资源有限的环境,在这些环境中,全面的诊断工具(如超声心动图或脑钠尿肽检测)可能不可用或使用不足。通过分析稳定就诊期间获得的常规胸部X光片,该模型提供了一种可访问且自动化的方法来识别有较高心力衰竭风险的患者。

5. 限制

本研究存在一些重要限制。该研究仅在一家中心进行。由于最初的目标是开发一种易于在资源有限环境中实施的单一工具来识别心力衰竭,因此模型仅使用胸部X光图像进行训练,没有结合临床、实验室或人口统计数据。这些因素限制了研究结果的普遍性。该模型仍处于开发试点阶段,未与标准诊断基准(如放射科医生解读、BNP或超声心动图)进行比较。此外,可解释性仅通过一个Grad-CAM示例来证明。由于样本量小,HFmrEF和HFrEF被合并在一起,因此无法排除未被识别的心力衰竭病例。尽管模型表现尚可,但由于缺乏临床背景、可解释性有限以及外部验证和可重复性的缺失,上述问题表明需要进一步改进。需要进行前瞻性多中心研究,结合临床数据以确立其全面的临床相关性。

6. 结论

我们的研究表明,Inception-ResNet-v2是检测房颤患者中心力衰竭的最佳模型,准确率为91.2%,AUC为0.968,灵敏度为0.864,特异性为0.967。与传统诊断方法不同,我们的AI工具提供了一种非侵入性的、易于使用的筛查方法,特别是在资源有限的环境中识别隐匿性心力衰竭。未来的工作将集中在多中心验证、整合临床和人口统计数据,并与标准基准(如血清脑钠尿肽水平)进行比较,以提高普遍性和临床适用性。

**致谢**

Jien-Jiun Chen:正式分析
Pang-Shuo Huang:调查
Sheng-Nan Chang:正式分析
Dai-Hua Tsai:撰写-原始草稿,数据管理
Yi-Chih Wang:概念化
Muhamad Faisal:概念化
Juey-Jen Hwang:数据管理
Cho-Kai Wu:数据管理
Chia-Ti Tsai:撰写-审阅与编辑
Jenq-Shiou Leu:验证,监督

**患者出版同意**

**资源可用性**

在专利申请被接受后,基础数据/代码将公开提供。

**利益冲突声明**

所有作者均声明与可能不恰当地影响其工作的其他个人或组织没有财务和个人关系。

**伦理批准声明**

本研究遵循1964年《赫尔辛基宣言》中的伦理标准进行。伦理批准由台湾国立大学医院医学研究部的伦理委员会和机构审查委员会(IRB)授予(IRB编号:200911002R和202010086RIND)。

**生成式AI和AI辅助技术声明**

本工作的撰写过程未使用AI或AI辅助技术。作者对本文内容负全部责任。

**资助**

本工作得到了科技部(国家科学技术委员会)的资助(项目编号:111-2218-E-002-043-、110-2314-B-002-198-MY3、NSTC112-2314-B-039-075-MY3、113-2314-B-002-020-、113-2314-B-002-147-MY3、114-2314-B-002-008-、114-2314-B-002-009-)。所有作者均声明与可能不恰当地影响其工作的其他个人或组织没有财务和个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号