基于机器学习方法鉴别心肌淀粉样变与肥厚型心肌病.pdfVIP

浙江大学硕士学位论文中文摘要

AUC0.95P0.477AUC0.97P0.301

相比，支持向量机（，），随机森林（值，）

和梯度提升（AUC值0.98，P0.230）等机器学习模型预测CA的性能呈现不同程

度的改善趋势，但AUC值的差异没有统计学意义。在利用2D-STE应变数据进行

建模的模型中，整合两种算法的投票模型的判别能力与分布式梯度提升相仿（两

AUC0.86AUC0.845

者均为），而极端梯度提升的值稍低，为。随后在进行折交

叉验证时，结果提示投票算法在全局上更加稳健，并在部分测试集上优于单个算

法。在第1种模型中，偏心指数，左室射血分数（LVEF），相对心尖纵向应变

RELAPSLVSd

（），慢性肾病，室间隔厚度（）和收缩压是随机森林和梯度提升模

型特征选择中前6位的最重要的预测因素。在第2种模型中，RadStrain3(中间段室

间隔径向应变)是最重要的预测因子，其次是LongStrainEpi7(心外膜基底段前壁纵

)CirStrainR4()

向应变，基底段后壁环向应变率。

结论：

数据驱动的机器学习方法在鉴别心肌淀粉样变性和肥厚型心肌病方面具有良

好的表现，可以在不作预先假设的情况下，自动整合大量的变量数据进行特征选

择，从而识别出最具有鉴别意义的预测因子。在大数据背景下，自动化的机

器学习方法将有助于更好的识别出心肌淀粉样变的患者，以便及时进行

有效的干预，从而改善预后。

关键词：心肌淀粉样变；肥厚型心肌病；机器学习

III

浙江大学硕士学位论文英文摘要

Machinelearningalgorithmstoautomatedifferentiating

cardiacamyloidosisfromhypertrophiccardiomyopathy

Zhejianguniversityschoolofmedicine

PostgraduateZi-WenWu

SupervisorHuiYan

Abstract

Objective:

Machinelearningalgorithmscombinedwithtwo-dimensionalspeckletracking

echocardiography(2D-STE)datawereproposedtoautomatedifferentiatingcardiac

amyloidosis(CA)fromhypertrophiccardiomyopathy(HCM).

Methods:

Atotal74patientswithpathologicallyconfirmedCAand64patientswithHCM

wereenrolledintheFirstAffiliatedHospitalofZhejiangUniversitySchoolofMedicine

fromJune2015toNovember2018.Dataofclinicalinformation,routine