[JACCCI 2025]基于深度学习的舒张功能障碍风险模型对早期主动脉瓣狭窄进展的分层预测

JACC: 心血管影像学

© 2025 作者,由爱思唯尔代表美国心脏病学会基金会出版。本文基于 CC BY-NC 许可协议开放获取(链接)。

卷 18,第 2 期,2025 年
原创研究


基于深度学习的舒张功能障碍风险模型对早期主动脉瓣狭窄进展的分层预测

Márton Tokodi 等


摘要

背景

主动脉瓣狭窄(AS)从主动脉瓣(AV)硬化到进展的异质性高且难以预测。

目的

本研究探讨基于超声心动图的深度学习(DL)模型评估舒张功能障碍(DD)是否可识别与AS发生及进展相关的潜在风险。

方法

在ARIC(社区动脉粥样硬化风险研究)队列中纳入898名AV硬化患者,分析DL预测的DD概率与两个终点的关联:1)新发AS诊断;2)后续死亡或AV干预的复合终点。在两组外部验证队列中验证结果:1)50例轻中度AS患者接受心脏磁共振(CMR)和系列超声评估;2)18例AV硬化患者接受¹⁸F-氟化钠(NaF)和¹⁸F-氟代脱氧葡萄糖(FDG)PET/CT评估瓣膜炎症与钙化。

结果

在ARIC队列中,高DL预测DD概率与新发AS(调整HR=3.482 [95% CI:2.061-5.884]; P <0.001)及复合终点(调整HR=7.033 [95% CI:3.036-16.290]; P <0.001)显著相关。基于ARIC数据构建的多变量Cox模型在CMR队列中有效预测AS进展(C指数=0.798 [95% CI:0.648-0.948])。在PET/CT队列中,模型预测与瓣膜¹⁸F-NaF标准化摄取值(SUV)呈正相关(r =0.62; P=0.008)。

结论

DL评估DD可分层预测早期AS进展的潜在风险。该模型与心肌纤维化及瓣膜钙化活动相关,为早期干预提供依据。


关键词

主动脉瓣狭窄、主动脉瓣硬化、深度学习、舒张功能障碍、超声心动图


正文

引言

AV硬化(定义为瓣膜钙化增厚但无显著血流梗阻)在65岁人群中患病率为25%,80岁达50%。约10%-15%患者5年内进展为AS,并与不良结局相关。ACC/AHA指南将AS分为四期,其中A期(AV硬化)和B期(轻中度AS)分别占老年人群的39%和17%。研究显示,DD作为能量依赖的主动过程,在AS早期即出现,并与瓣膜病变独立相关。


方法

队列与数据

  • ARIC队列:纳入2011-2013年间接受超声检查的898例AV硬化患者(定义为AV峰值流速1.5-2.5 m/s),排除先天性心脏病、中重度瓣膜反流等病例。
  • CMR队列:50例轻中度AS患者接受基线CMR(评估心肌纤维化)及2年超声随访。
  • PET/CT队列:18例AV硬化患者接受¹⁸F-NaF和¹⁸F-FDG PET/CT评估瓣膜炎症与钙化。

DL模型

使用已验证的DL模型,基于9项超声参数(LVEF、左房容积指数、E/e'等)预测DD概率。模型输出为0-1的数值,表示DD可能性。

终点与统计

  • 主要终点:新发AS(基于超声或ICD代码)。
  • 次要终点:复合终点(死亡或AV干预)。
  • 统计方法:Cox比例风险模型、C指数、净重分类指数(NRI)等评估模型效能。

结果

ARIC队列分析

  • 中位随访6.4年,13%患者新发AS,6%达到复合终点。
  • DL预测DD概率≥0.81的高危组AS风险显著高于低危组(HR=3.482; P<0.001)。
  • 模型C指数为0.773,较传统风险因素显著提升(ΔC-index=0.026; P=0.009)。

外部验证

  • CMR队列 :高危组AS进展率更高(28% vs. 低危组0%; P =0.003),且与心肌纤维化体积正相关(r =0.48; P<0.001)。
  • PET/CT队列 :模型预测与瓣膜¹⁸F-NaF摄取正相关(r =0.62; P=0.008),提示钙化活动增强。

讨论

本研究首次通过DL整合超声参数评估DD,揭示其与早期AS进展的关联。高危患者心肌纤维化及瓣膜钙化活动更显著,提示DD可能通过血流动力学改变或共同病理机制加速AS进展。

临床意义

  • 识别AS进展高危患者,优化临床试验入组。
  • 为开发延缓AS进展的药物提供靶点人群。
  • 多模态验证(CMR、PET/CT)增强结果可靠性。

局限性

  • ARIC队列部分终点依赖ICD代码,可能引入偏倚。
  • 未直接评估瓣膜钙化程度,依赖影像替代指标。

结论

DL模型通过整合DD超声特征,可有效预测早期AS进展风险。该风险与心肌纤维化及瓣膜钙化活动相关,为个体化干预提供新工具。

相关推荐
阿坡RPA10 分钟前
手搓MCP客户端&服务端:从零到实战极速了解MCP是什么?
人工智能·aigc
用户277844910499324 分钟前
借助DeepSeek智能生成测试用例:从提示词到Excel表格的全流程实践
人工智能·python
机器之心30 分钟前
刚刚,DeepSeek公布推理时Scaling新论文,R2要来了?
人工智能
算AI3 小时前
人工智能+牙科:临床应用中的几个问题
人工智能·算法
凯子坚持 c3 小时前
基于飞桨框架3.0本地DeepSeek-R1蒸馏版部署实战
人工智能·paddlepaddle
你觉得2054 小时前
哈尔滨工业大学DeepSeek公开课:探索大模型原理、技术与应用从GPT到DeepSeek|附视频与讲义下载方法
大数据·人工智能·python·gpt·学习·机器学习·aigc
8K超高清4 小时前
中国8K摄像机:科技赋能文化传承新图景
大数据·人工智能·科技·物联网·智能硬件
hyshhhh4 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
薛定谔的猫-菜鸟程序员4 小时前
零基础玩转深度神经网络大模型:从Hello World到AI炼金术-详解版(含:Conda 全面使用指南)
人工智能·神经网络·dnn
币之互联万物4 小时前
2025 AI智能数字农业研讨会在苏州启幕,科技助农与数据兴业成焦点
人工智能·科技