跳到正文
数据分析Med · 深度学习筛查模型开发与外部验证

基于超声心动图的深度学习慢性肾脏病筛查

Deep learning-enabled screening of chronic kidney disease from echocardiography.

一句话超声心动图深度学习模型可识别慢性肾脏病，在两个独立外部队列中保持稳健表现。

研究问题

能否利用超声心动图PLAX视频中的影像信息识别CKD，并在不同医疗机构的患者中保持检测性能？

数据与样本

模型开发使用CSMC的62,818例患者、325,377段PLAX超声心动图视频。外部验证使用SHC的2,762例患者和KPNC的41,611例患者两个独立队列。

分析流程

  1. 1模型开发：使用CSMC患者的PLAX视频训练检测CKD的深度学习模型。
  2. 2内部测试：在CSMC留出测试队列中评估任意分期CKD的检测AUC。
  3. 3外部验证：在SHC和KPNC两个独立临床队列中评估模型AUC。
  4. 4亚组评估：分别考察伴有和不伴有代谢性合并症患者中的模型表现。

关键方法与工具

deep learning (DL)
从超声视频识别CKD
parasternal long-axis (PLAX)
提供超声心动图视频输入
area under the curve (AUC)
评价模型区分能力

设计思路

研究以CKD与心血管疾病的关系为依据，从心脏超声视频中寻找CKD识别信息；通过开发中心的留出测试和两个独立外部队列验证，考察模型跨机构表现。伴有与不伴有代谢性合并症的亚组分析，用于考察模型表现是否仅限于存在此类合并症的患者。

主要发现

  • CSMC留出测试队列中，模型检测任意分期CKD的AUC为0.756（95%置信区间：0.749-0.763）。
  • 外部验证中，KPNC队列AUC为0.718 [0.714-0.723]，SHC队列AUC为0.719 [0.704-0.735]。
  • 亚组结果：伴有及不伴有代谢性合并症的患者中，模型均表现良好，提示其可能学习到了CKD特异性的影像特征。

可借鉴之处

  • 开发影像筛查模型时，可借鉴本文将中心内留出测试与两个独立机构外部验证结合的路径，检验跨机构适用性。
  • 可借鉴本文按有无代谢性合并症进行亚组评估的做法，考察模型表现是否依赖相关合并症。

数据与代码

摘要和已读取的内容里没有说明，请查看原文的数据可得性声明。

摘要（中文翻译）

背景：慢性肾脏病（CKD）影响全球近850 million人。未被诊断的CKD比例超过60%。

方法：利用CKD与心血管疾病之间的关系，我们使用Cedars-Sinai Medical Center（CSMC）62,818例患者的325,377段胸骨旁左心室长轴（PLAX）视频，开发了从PLAX视频检测CKD的深度学习（DL）模型。我们在Stanford Healthcare（SHC）的2,762例患者和Kaiser-Permanente Northern California（KPNC）的41,611例患者这2个独立队列中进行了模型外部验证。

结果：在CSMC的留出测试队列中，模型检测任意分期CKD的曲线下面积（AUC）为0.756（95%置信区间：0.749-0.763），并在KPNC（AUC：0.718 [0.714-0.723]）和SHC（AUC：0.719 [0.704-0.735]）队列中持续表现良好。模型在伴有及不伴有代谢性合并症的亚组中均表现良好，提示其学习到了CKD特异性的影像特征。

结论：我们的DL超声心动图模型在2个外部临床中心均以稳健的性能检测出CKD，从而为无创筛查和提高检出率提供了一条途径。

资助：本研究获得Sarnoff Cardiovascular Research Foundation、American Heart Association（25POST1357984和25AHAI1487693）以及National Institutes of Health（R00HL157421、R01HL173487和R01HL173526）的支持。

英文原文摘要

Background:Chronic kidney disease (CKD) affects nearly 850 million individuals globally. The prevalence of undiagnosed CKD is over 60%.

Methods:Taking advantage of the relationship between CKD and cardiovascular disease, we developed a deep learning (DL) model to detect CKD from parasternal long-axis (PLAX) videos, using 325,377 PLAX videos from 62,818 patients at Cedars-Sinai Medical Center (CSMC). We externally validated our model in two independent cohorts of 2,762 patients at Stanford Healthcare (SHC) and 41,611 patients at Kaiser-Permanente Northern California (KPNC).

Findings:In a held-out test cohort at CSMC, our model detected any stage of CKD with an area under the curve (AUC) of 0.756 (95% confidence interval: 0.749-0.763), with consistently strong performance in the KPNC (AUC: 0.718 [0.714-0.723]) and SHC (AUC: 0.719 [0.704-0.735]) cohorts. Our model performed well across subgroups with and without metabolic comorbidities, suggesting that it learned imaging features specific to CKD.

Conclusions:Our DL echo model detected CKD with robust performance at two external clinical sites, thus offering an avenue for noninvasive screening and improved detection rates.

Funding:This work was supported by the Sarnoff Cardiovascular Research Foundation, the American Heart Association (25POST1357984 and 25AHAI1487693), and the National Institutes of Health (R00HL157421, R01HL173487, and R01HL173526).

摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。