基于胸片的严重左心室肥厚分类器中人口统计学与解剖信息的编码
Encoding of Demographic and Anatomical Information in Chest X-Ray-based Severe Left Ventricular Hypertrophy Classifiers
- Johns Hopkins University（约翰斯·霍普金斯大学）
- The Johns Hopkins Hospital（约翰斯·霍普金斯医院）
- Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本文提出一种仅基于胸片、不依赖解剖测量和人口统计学输入的严重左心室肥厚直接分类框架，并通过互信息神经估计揭示临床相关属性编码，实现高性能且可解释的模型。
AI中文摘要：
虽然超声心动图和MRI是评估心脏结构的临床标准，但其使用受成本和可及性的限制。我们提出一种直接分类框架，仅从胸片预测严重左心室肥厚，不依赖解剖测量或人口统计学输入。该方法取得了较高的AUROC和AUPRC，并采用互信息神经估计来量化特征表达能力。这揭示了具有临床意义的属性编码，并支持透明的模型解释。
英文摘要：
While echocardiography and MRI are clinical standards for evaluating cardiac structure, their use is limited by cost and accessibility.We introduce a direct classification framework that predicts severe left ventricular hypertrophy from chest X-rays, without relying on anatomical measurements or demographic inputs. Our approach achieves high AUROC and AUPRC, and employs Mutual Information Neural Estimation to quantify feature expressivity. This reveals clinically meaningful attribute encoding and supports transparent model interpretation.
