Машинное обучение для диагностики легочной гипертензии

Цель Целью данной работы является изучение возможности использования машинного обучения для прогнозирования течения легочной гипертонии (ЛГ), как прекапиллярной так и посткапиллярной форм.
Методы В исследование были включены двести семьдесят пять пациентов с ЛГ, которым была выполнена эхокардиография и катетеризация правых отделов сердца. Среднее давление в легочной артерии, давление заклинивания легочной артерии, измеренное при катетеризации правого сердца, использовались в качестве критериев для оценки прекапиллярной и посткапиллярной ЛГ. Тринадцать эхокардиографических показателей были использованы для прогнозирования прекапиллярной или посткапиллярной ЛГ. Девять моделей машинного обучения были использованы для прогнозирования. Точность (ACC) использовалась в качестве основного эталонного стандарта, эффективность модели также оценивалась при помощи следующих показателей: площадь под кривой (AUC), специфичность (Sp), чувствительность (Se), положительное предсказательное значение (PPV), отрицательное предсказательное значение (NPV), отношение правдоподобия положительного результата (PLR) и отношение правдоподобия отрицательного результата (NLR) и другие протоколы оценки.
Результаты Сравнивая ACC, полноту (Recall) и другие метрики оценки качества модели для классификации по девяти моделям машинного обучения, удалось обнаружить, что модель машинного обучения может эффективно идентифицировать прекапиллярную ЛГ и посткапиллярную ЛГ. LogitBoost показал лучшие результаты в девяти моделях машинного обучения (ACC = 0,87, Recall = 0,83, F1score = 0,85, AUC = 0,87, Se = 0,90, NPV = 0,88, PPV = 0,87, PLR = 8,61 и NLR = 0,18, AUC = 0,83), он показал хорошие результаты при определении прекапиллярной ЛГ (ACC = 0,83, частота повторного вызова = 0,87, F-оценка = 0,85); посткапиллярной ЛГ (ACC = 0,90, Recall = 0,88, F-мера = 0,89). Дерево решений (ACC = 0,75, Recall = 0,77, F1 мера = 0,78, AUC = 0,75, Se = 0,72, NPV = 0,78, PPV = 0,77, PLR = 3,66 и NLR = 0,29, AUC = 0,79) показали худшие результаты, а точность остальных семи моделей была больше 0,82.
Заключение Результаты классификации девяти моделей машинного обучения в данной работе показывают, что метод машинного обучения может эффективно идентифицировать прекапиллярную и посткапиллярную формы ЛГ. По сравнению с медицинским диагнозом, методы машинного обучения могут различать прекапиллярную и посткапиллярную формы ЛГ в неинвазивных условиях по данным эхокардиографии.

1. Hoeper MM, Bogaard HJ, Condliffe R, Frantz R, Khanna D, Kurzyna M et al. Definitions and Diagnosis of Pulmonary Hypertension. Journal of the American College of Cardiology. 2013;62(25):D42–50. DOI: 10.1016/j.jacc.2013.10.032

2. Galiè N, Humbert M, Vachiery J-L, Gibbs S, Lang I, Torbicki A et al. 2015 ESC/ERS Guidelines for the diagnosis and treatment of pulmonary hypertension: The Joint Task Force for the Diagnosis and Treatment of Pulmonary Hypertension of the European Society of Cardiology (ESC) and the European Respiratory Society (ERS): Endorsed by: Association for European Paediatric and Congenital Cardiology (AEPC), International Society for Heart and Lung Transplantation (ISHLT). European Heart Journal. 2016;37(1):67–119. DOI: 10.1093/eurheartj/ehv317

3. Cao JY, Wales KM, Cordina R, Lau EMT, Celermajer DS. Pulmonary vasodilator therapies are of no benefit in pulmonary hypertension due to left heart disease: A meta-analysis. International Journal of Cardiology. 2018;273:213–20. DOI: 10.1016/j.ijcard.2018.09.043

4. Liu X, Chen K, Wu T, Weidman D, Lure F, Li J. Use of multimodality imaging and artificial intelligence for diagnosis and prognosis of early stages of Alzheimer’s disease. Translational Research. 2018;194:56–67. DOI: 10.1016/j.trsl.2018.01.001

5. Odajima K, Pawlovsky AP. A detailed description of the use of the kNN method for breast cancer diagnosis. 2014 7th International Conference on Biomedical Engineering and Informatics. IEEE. 688-692. 2014. [DOI: 10.1109/BMEI.2014.7002861]

6. Zheng Y, Yang C, Merkulov A, Bandari M. Early breast cancer detection with digital mammograms using Haar-like features and AdaBoost algorithm. SPIE Commercial + Scientific Sensing and Imaging. Baltimore, Maryland, United States. 2016. [DOI: 10.1117/12.2227342]

7. Kim YH, Kim M-J, Shin HJ, Yoon H, Han SJ, Koh H et al. MRI-based decision tree model for diagnosis of biliary atresia. European Radiology. 2018;28(8):3422–31. DOI: 10.1007/s00330-018-5327-0

8. Chen H, Lin Z, Wu H, Wang L, Wu T, Tan C. Diagnosis of colorectal cancer by near-infrared optical fiber spectroscopy and random forest. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2015;135:185–91. DOI: 10.1016/j.saa.2014.07.005

9. Tin Kam Ho. The random subspace method for constructing decision forests. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998;20(8):832–44. DOI: 10.1109/34.709601

10. Aduen JF, Castello R, Daniels JT, Diaz JA, Safford RE, Heckman MG et al. Accuracy and Precision of Three Echocardiographic Methods for Estimating Mean Pulmonary Artery Pressure. Chest. 2011;139(2):347–52. DOI: 10.1378/chest.10-0126

11. Aduen JF, Castello R, Lozano MM, Hepler GN, Keller CA, Alvarez F et al. An Alternative Echocardiographic Method to Estimate Mean Pulmonary Artery Pressure: Diagnostic and Clinical Implications. Journal of the American Society of Echocardiography. 2009;22(7):814–9. DOI: 10.1016/j.echo.2009.04.007