Advarselsmodel for myokardieombygning efter akut myokardieinfarkt ved brug af multimodal funktionsstrukturteknologi

Akut myokardieinfarkt (AMI) er en af ​​de vigtigste sygdomme, der truer menneskers liv. De eksisterende MI prognose forudsigelsesskalaer forudsiger for det meste forekomsten af ​​død, tilbagevendende MI og hjertesvigt gennem 6-8 kliniske tekstindikatorer, og dataene indsamles relativt enkelt. Myokardieombygning, som en ugunstig patologisk ændring, der kan starte og fortsætte med at udvikle sig i det tidlige stadie efter myokardieinfarkt, er den vigtigste patologiske mekanisme for hjertesvigt og død. Der er dog ingen kvantitativ model for tidlig varsling af myokardieombygning, og den kliniske vejledning af tidlig intervention mangler.

Vores tidligere undersøgelse viste, at hjertemagnetisk resonansbilleddannelse nøjagtigt kan kvantificere det nekrotiske område og det genoprettelige myokardium i det ødematøse myokardium efter myokardieinfarkt. I denne undersøgelse bruges maskinlæringsalgoritme, variabel foldningsnetværk (DCN) og kapselnetværk (capsnet) til at bygge en ny neural netværksarkitektur. Strukturel funktionsekstraktion af multimodale kliniske billeddata såsom MRI og ultralyd realiseres. Kombineret med den etablerede database med 3000 patienter med myokardieinfarkt, vil den multimodale funktionsmatrix blive konstrueret, og en række klassifikatorer såsom støttevektormaskine (SVM) og random forest (RF) vil blive brugt til kvantitativ forudsigelse af myokardieombygning, og virkningerne af forskellige klassifikatorer blev evalueret. Det forventes, at dette projekt vil etablere en kvantitativ tidlig varslingsmodel for myokardieombygning efter akut myokardieinfarkt i overensstemmelse med kinesernes karakteristika. Den samme type data uden for databasen vil blive brugt til verifikation for at etablere en effektiv og stabil model for tidlig varsling.