Application of Radiomics-based Machine Learning models on complex cardíac diseases

Abstract

[eng] This doctoral thesis investigates the combination of radiomics and machine learning (ML) within the field of cardiology, emphasizing early detection and prognosis of complex cardiovascular diseases (CVDs). Radiomics converts standard medical images into detailed, high-dimensional data sets that expose subtle cardiac pathologies invisible to the naked eye. A specialized pipeline was developed to extract radiomic features and apply ML for effective classification and analysis. Each chapter modifies and optimizes this pipeline for different scenarios, culminating in a survival analysis ML pipeline in the final chapter. The thesis starts with a fundamental overview of cardiovascular diseases, radiomics, and ML, laying the groundwork for their use in cardiac imaging. The second chapter illustrates how cardiovascular magnetic resonance (CMR) radiomics and ML can differentiate left ventricular non-compaction cardiomyopathy (LVNC) from other types such as hypertrophic and dilated cardiomyopathies. In this chapter, we illustrated that radiomics is crucial in this differentiation process, showing that an automated ML-Radiomics pipeline can achieve state- of-the-art benchmarks from the clinical variables used in current medical practice, but without need for clinicians manual delineations. The subsequent chapter explores the benefits of integrating CMR radiomics with electrocardiogram (ECG) data to enhance atrial fibrillation (AF) detection. In this study of the UK Biobank participants we demonstrated that an ECG-based model had lower accuracy to detect AF in female subjects compared to males. The inclusion of CMR radiomics combined with ECG increased the model performance in women. The main universal implication is that a combined approach of ECG and atrial imaging might lead to better assessment of female participants suspected of AF. The fourth chapter evaluates the capacity of CMR radiomics and ML to forecast significant cardiovascular events like AF, heart failure (HF), myocardial infarction (MI), and stroke, using data from the UK Biobank. Incorporating radiomic features with vascular risk factors (VRFs) and CMR indices significantly enhances the performance of these predictive models. Radiomics features provided additional information over VRFs, although the improvement was only marginal compared to conventional CMR metrics. The improvement was most prominent in AF and HF prediction, which highlight that the performance of radiomics models is dependent on the disease aetiology and mechanism. The final chapter focuses on the use of radiomics and ML for identifying genetic cardiomyopathy in patients with excessive trabeculation. In a multicenter cohort study of individuals diagnosed with excessive trabeculation of the left ventricle radiomics analysis of standard, non-enhanced cine CMR images provided added value beyond left ventricular ejection fraction in the identification of a genetic or familial substrate and of adverse prognosis. Textural radiomics features were instrumental to recognize a genetic or familial substrate, while shape features dominated the identification of adverse prognosis. This thesis underscores the potential of radiomics and ML to advance cardiac diagnostic and prognostic capabilities, providing a more precise, personalized approach to managing CVDs.

[spa] Esta tesis doctoral investiga la combinación de radiómica y aprendizaje automático (ML) en el campo de la cardiología, enfocándose en la detección temprana y pronóstico de enfermedades cardiovasculares (CVD) complejas. La radiómica transforma imágenes médicas convencionales en representaciones de datos detalladas y de alta dimensión que revelan patologías cardíacas sutiles invisibles a simple vista. Se desarrolló un proceso especializado para extraer características radiómicas y aplicar ML para la clasificación y análisis efectivos. Cada capítulo modifica y optimiza este proceso para diferentes escenarios, culminando en un proceso de ML de análisis de supervivencia en el último capítulo. La tesis . comienza con una visión general fundamental sobre las enfermedades cardiovasculares, la radiómica y el ML, sentando las bases para su uso en la imagenología cardíaca. El segundo capítulo ilustra cómo la radiómica: de resonancia magnética cardiovascular (CMR) y el ML pueden diferenciar la miocardiopatía no compactada del ventrículo izquierdo (LVNC) de otros tipos como las miocardiopatías hipertrófica y dilatada. En este capítulo, demostramos que la radiómica es crucial en este proceso de diferenciación, mostrando que un proceso automático de ML-Radiómica puede alcanzar referencias de vanguardia, superando las variables clínicas utilizadas en la práctica médica actual, pero sin necesidad de delineaciones manuales por parte de los clínicos. El capítulo siguiente explora los beneficios de integrar la radiómica CMR con datos de electrocardiograma (ECG) para mejorar la detección de fibrilación auricular (AF). En este estudio de participantes del UK Biobank demostramos que un modelo basado en ECG tenía menor precisión para detectar AF en sujetos femeninos en comparación con los masculinos. La inclusión de radiómica 'CMR combinada con ECG aumentó el rendimiento del modelo en mujeres. La implicación universal principal es que un enfoque combinado de ECG y la imagenología auricular podría conducir a una mejor evaluación de partici­ pantes femeninas sospechosas de AF. El cuarto capítulo evalúa la capacidad de la radiómica CMR y el ML para prever eventos cardiovasculares importantes como AF, insuficiencia cardíaca (HF), infarto de miocardio (MI) y accidente cerebrovascular, utilizando datos del UK Biobank. La incorporación de características radiómicas con factores de riesgo vascular (VRFs) y índices CMR mejora significativamente el rendimiento de estos modelos predictivos. Las características radiómicas proporcionaron información adicional sobre los VRFs, aunque la mejora fue solo marginal en comparación con las métricas CMR convencionales. La mejora fue más prominente en la predicción dé AF y HF, lo que destaca que el rendimiento de los modelos de radiómica depende de la etiología y el mecanismo de la enfermedad. El capítulo final se centra en el uso de radiómica y ML para identificar la miocardiopatía genética en pacientes con trabeculación excesiva. En un estudio de cohorte multicéntrico de individuos diagnosticados con trabeculación excesiva del ventrículo izquierdo, el análisis radiómico de imágenes CMR estándar, sin realce, proporcionó valor agregado más allá de la fracción de eyección del ventrículo izquierdo en la identificación de un sustrato genético o familiar y de un pronóstico adverso. Las características radiómicas texturales fueron instrumentales para reconocer un sustrato genético o familiar, mientras que las características de forma dominaron la identificación de un pronóstico adverso. Esta tesis subraya el potencial de la radiómica y el ML para avanzar en las capacidades diagnósticas y pronósticas cardíacas, proporcionando un enfoque más preciso y personalizado para el manejo de las CVDs.