Fusing Echocardiography Images and Medical Records for Continuous Patient Stratification
Created by
Haebom
저자
Nathan Painchaud, Jeremie Stym-Popper, Pierre-Yves Courand, Nicolas Thome, Pierre-Marc Jodoin, Nicolas Duchateau, Olivier Bernard
개요
본 논문은 심장 초음파 영상 시퀀스로부터 심장 기능 기술자(예: 박출 분율 또는 변형률)를 자동적이고 강력하게 추출하는 심층 학습 방법을 제시합니다. 의료 기록의 전반적인 변수와 함께 심장 기능 기술자를 고려하여 환자 상태를 평가하는 의사의 과정을 모방하여, 표 형식 데이터에 적용되는 새로운 Transformer 모델을 이용하여 고혈압과 같은 특징짓기 어려운 연속적인 심혈관 질환의 표현을 학습하는 방법을 제안합니다. 각 변수를 모달리티 특정 접근 방식을 사용하여 고유한 표현 공간으로 투영한 후, 이러한 다모달 데이터의 표준화된 표현을 Transformer 인코더에 입력하여 임상 등급 예측 작업을 통해 환자의 포괄적인 표현을 학습합니다. 이 계층화 작업은 표현 공간에서 병리학적 연속체를 강화하기 위해 순서형 분류로 공식화됩니다. 239명의 고혈압 환자 코호트에서 이 연속체를 따라 주요 추세를 관찰하여 고혈압의 다양한 심장 기능 기술자에 대한 영향에 대한 전례 없는 세부 정보를 제공합니다. 분석 결과, i) XTab 기본 모델 아키텍처는 제한된 데이터(200개 미만의 훈련 샘플)에서도 뛰어난 성능(96.8% AUROC)을 달성하고, ii) 모집단 전반의 계층화는 훈련 간에 재현 가능하며(평균 절대 오차 5.7% 이내), iii) 기술자에서 패턴이 나타나며, 그중 일부는 고혈압에 대한 기존의 생리학적 지식과 일치하고 다른 일부는 이 병리에 대한 보다 포괄적인 이해를 위한 길을 열 수 있음을 보여줍니다. 코드는 https://github.com/creatis-myriad/didactic 에서 이용 가능합니다.
