Advarselsmodell for myokardremodellering etter akutt hjerteinfarkt ved bruk av multimodal funksjonsstrukturteknologi

Akutt hjerteinfarkt (AMI) er en av de viktigste sykdommene som truer menneskers liv. De eksisterende prognoseskalaene for MI-prognose forutsier stort sett forekomsten av død, tilbakevendende MI og hjertesvikt gjennom 6-8 kliniske tekstindikatorer, og dataene samles inn relativt enkelt. Myokardremodellering, som en ugunstig patologisk endring som kan starte og fortsette å utvikle seg i det tidlige stadiet etter hjerteinfarkt, er den viktigste patologiske mekanismen for hjertesvikt og død. Det finnes imidlertid ingen kvantitativ tidlig varslingsmodell for myokardremodellering, og den kliniske veiledningen for tidlig intervensjon mangler.

Vår forrige studie fant at hjertemagnetisk resonansavbildning nøyaktig kan kvantifisere det nekrotiske området og utvinnbart myokard i det ødematøse myokardiet etter hjerteinfarkt. I denne studien brukes maskinlæringsalgoritme, variabelt konvolusjonsnettverk (DCN) og kapselnettverk (capsnet) for å bygge en ny nevrale nettverksarkitektur. Strukturell funksjonsekstraksjon av multimodale kliniske bildedata som MR og ultralyd realiseres. Kombinert med den etablerte databasen med 3000 pasienter med hjerteinfarkt, vil den multimodale funksjonsmatrisen bli konstruert, og en rekke klassifikatorer som støttevektormaskin (SVM) og tilfeldig skog (RF) vil bli brukt for kvantitativ prediksjon av myokardremodellering, og effekten av forskjellige klassifiserere ble evaluert. Det forventes at dette prosjektet vil etablere en kvantitativ tidlig varslingsmodell for myokardremodellering etter akutt hjerteinfarkt i tråd med egenskapene til kinesere. Samme type data utenfor databasen vil bli brukt for verifisering for å etablere en effektiv og stabil tidlig varslingsmodell.