Johri, Amer M.; Singh, Krishna V.; Mantella, Laura E. et al. · 2022 · Computers in Biology and Medicine
Metadata
Authors: Johri, Amer M.; Singh, Krishna V.; Mantella, Laura E.; Saba, Luca; Sharma, Aditya; Laird, John R.; Utkarsh, Kumar; Singh, Inder M.; Gupta, Suneet; Kalra, Manudeep S.; Suri, Jasjit S.
📄 Quick Note¶
摘要概述¶
论文提出 AtheroEdge-MCDLAI (AE3.0DL) 平台，用多分类深度学习（RNN 与 LSTM）融合三类协变量——office-based 传统风险因子、laboratory-based 生化指标、以及 carotid ultrasound image phenotypes（最大斑块高度 MPH、总斑块面积 TPA、斑块内新生血管 IPN）——来预测冠脉疾病 (CAD) 的四级风险分层。基于 500 例患者、39 个协变量，采用 SMOTE 处理类不平衡、PCA pooling 做特征选择、10 折交叉验证（90% 训练 / 10% 测试）。LSTM 达到 95.34% 准确率、AUC 0.99，RNN 达到 95.00%、AUC 0.98，相比传统 CCVRC 提升 32.93%、相比 ML 提升 9.94%（p<0.0001）。结论是 DL 在 CAD 多分类风险分层上显著优于 ML 和传统评分器，且在线推理 <1 秒。
关键图表¶
-
Figure 1（系统总体架构）：AE3.0DL 四组件——数据准备（标准化 + PCA pooling + SMOTE）、数据划分、离线训练模型生成、测试集预测。这是理解整条 pipeline 的入口图。
-
Figure 2 / Figure 3（RNN 与 LSTM 架构）：均为 hybrid 架构——单个 RNN/LSTM unit（ReLU 激活）上堆叠 4 个 dense 层（64/32/8 节点），用 categorical cross-entropy 损失 + ADAM 优化器。注意作者把本用于时序的 RNN/LSTM 用在了非时序的表格协变量上，并引用 Ba et al. / Gregor et al. 论证 recurrent 模型对 fixed-size 向量也有效。
-
Figure 4（ROC 曲线对比）：DL（RNN AUC 0.98、LSTM AUC 0.99）远超 ML（RF/SVM ~0.86）和 CCVRC（ASCVD 仅 0.50），p<0.0001。这张图是"DL > ML > CCVRC"这一核心论点的直接视觉证据。
与我的关联¶
虽然方法属于数据驱动的临床预测而非我的血管力学建模主线，但其用颈动脉超声表型（TPA、MPH）+ IPN 做多分类风险分层的思路，为"形态学表型 → 临床风险"的映射提供了一个对照框架——我的 G&R 模型输出的形态学量（壁厚、应力分布）若要做临床风险对接，可参考其协变量聚类与多分类输出的设计。