ENN神经网络如何提升心血管疾病检测准确率？2022最新临床研究解析

恩网络（ENN）通过利用协方差矩阵而非导数的过程，将多个神经网络的预测结果整合到一个模型中（Chen 等，2019）。协方差矩阵由基于贝叶斯框架的集成随机最大似然算法计算，该框架同时提供估计并进行不确定性量化（Chen 等，2019）。ENN 的优势在于它可以可靠地使用较小的训练数据量，不需要计算梯度，并且在性能上可以优于传统的贝叶斯神经网络（Chen 等，2019）。Kwon 等人使用了 ENN，输入了四个临床变量（年龄、性别、体重和身高）以及心电图特征，如心率、房颤或房扑的存在、QT 间期、QTc、QRS 时程、R 波轴和 T 波轴（Kwon 等，2020）。此外，他们还使用了每条导联的 5000 个原始心电图数据。他们的 ENN 方法的敏感性为 50%，特异性为 94%，准确率为 87%，AUC 为 0.868（Kwon 等，2020）。该模型是使用来自 3162 名患者的 3162 份心电图开发的。ENN 的 ROC 曲线下面积为 0.880。Khurshid 等人也测试了一个从英国生物库开发的模型，使用了马萨诸塞州总医院/布里格姆医院数据库（Khurshid 等，2021）。当用于验证队列时，他们的模型的敏感性为 41%，特异性为 83%，阳性预测值为 58%，阴性预测值为 71%（Khurshid 等，2021）。Kokubo 等人分析了东京大学医院 18 岁及以上、平均年龄为 64 岁、57% 为男性的患者数据，这些患者进行了超声心动图和心电图检查（Kokubo 等，2022）。左室肥厚（LVH）定义为男性 LVMI > 101 g/m² 和女性 LVMI > 85 g/m²，与日本人群的推荐标准一致，存在率为 16.5%（Kokubo 等，2022）。数据来自 12,008 人的训练集。19 个因素——包括临床变量（年龄、性别、身高和体重）和心电图特征（心率、节律、PR 间期、QT 间期、QRS 轴、P 波轴，以及导联 V1、V2、V5 和 V6 中的 QRS 电压）被用作输入变量。他们开发了 ENN 模型，该模型包括卷积神经网络（CNN）、深度神经网络（DNN），以及逻辑回归（LR）和随机森林（RF）方法来检测 LVH。对于 LVH 的检测，他们的 ENN 的敏感性为 61%，特异性为 81%，准确率为 73%，阳性预测值为 67%，阴性预测值为 91.2%，AUC 为 0.784。