根据《放射学：心胸影像学》发表的新发现，放射学和机器学习可以帮助医疗保健提供者确定心脏MR图像上的晚期g增强(LGE)是否是心肌梗塞(MI)或心肌炎的迹象。

研究人员解释说，查看LGE区域并区分MI和心肌炎可能会带来某些挑战，促使他们探索机器学习的潜在有效性。

“在临床常规中，LGE区域以视觉，定性的方式进行分析，可能会遭受观察者内部和观察者之间的差异，”主要作者，瑞士苏黎世大学医院理学硕士Tommaso Di Noto和同事写道。“在具有透壁模式的情况下，仅基于LGE可能难以区分MI和心肌炎。在某些情况下，如果临床信息和患者病史有限或两种疾病的患者以相似的方式出现，则MI患者和心肌炎患者的分化可能会更加复杂。”

作者探索了MR图像，这些图像显示了111位连续的MI患者和62位连续的心肌炎患者的LGE，并收集了2D和3D放射学特征。使用五种不同的机器学习算法进行分类。

在这五种算法中，支持向量机分类器对2D特征的准确性最高(88%)。线性判别分析(LDA)分类器对3D特征具有最高的准确性(85%)。如果包括主成分分析，则LDA分类器对2D(86%)和3D(89%)功能的准确性最高。

此外，发现放射性/机器学习方法比经验不足的人类读者更有效。但是，高级读者的表现要优于算法。2D和3D放射学功能均是如此。

作者指出，他们的研究存在一些局限性，包括“有限的样本量”和不包括与LGE相关的其他心脏病(例如心肌病)的事实。总体而言，研究结果确实表明，“通过机器学习确定的放射学特征使得能够基于LGE和MRI高度准确地将MI与心肌炎区分开。”