Core Concepts
본 연구는 심장 자기공명영상과 전자 건강 기록 데이터를 활용하여 폐동맥 쐐기압을 예측하는 해석 가능한 다중 모달 학습 파이프라인을 제안한다.
Abstract
이 연구는 심장 자기공명영상(CMR) 스캔(단축면 및 4방실면)과 전자 건강 기록(EHR) 데이터의 보완적인 정보를 활용하여 폐동맥 쐐기압(PAWP) 지표를 예측하는 다중 모달 학습 파이프라인을 제안한다.
CMR 스캔에서 시공간 특징을 추출하기 위해 텐서 기반 학습을 사용한다.
EHR 특징 선택을 위해 그래프 주의 네트워크를 제안한다.
조기, 중간, 지연 및 하이브리드 융합 전략을 설계하여 다중 모달 데이터를 통합한다.
선형 분류기와 선형 융합 전략을 사용하여 파이프라인의 해석 가능성을 보장한다.
2,641명의 대규모 데이터셋에서 실험을 수행하고 최신 방법과 비교하여 제안된 파이프라인의 우수성을 확인한다.
의사 결정 곡선 분석을 통해 제안된 파이프라인이 대규모 인구를 선별하는 데 적용될 수 있음을 검증한다.
Stats
폐동맥 쐐기압은 심부전을 탐지하는 필수적인 심혈관 혈역학 지표이다.
심장 자기공명영상 스캔은 전체 심장 주기의 높은 시공간 해상도를 제공하여 심장 질환을 효과적으로 식별할 수 있다.
전자 건강 기록 데이터에는 인구통계학적 특성과 임상 측정값이 포함되어 있다.