Artificial Intelligence-Enhanced Analysis of Echocardiography-Based Radiomic Features for Myocardial Hypertrophy Detection and Etiology Differentiation

Abstract

While echocardiography is pivotal for detecting left ventricular hypertrophy (LVH), it struggles with etiology differentiation. To enhance LVH assessment, we aimed to develop an artificial intelligence (AI) algorithm using echocardiography-based radiomics. This algorithm is designed to detect LVH and differentiate its common etiologies, such as hypertrophic cardiomyopathy (HCM), cardiac amyloidosis (CA), and hypertensive heart disease (HHD), based on echocardiographic images. The developmental datasets were sourced from diverse medical centers (867 subjects), while an independent external validation set was obtained from a single tertiary medical center (619 subjects). Utilizing radiomic feature analysis on four fundamental echocardiographic views, conventional and harmonization-driven myocardial textures were extracted. Myocardial geographic features, such as myocardial shape and thickness, were also utilized as key variables. The classification algorithm was developed, and the contribution of each variable was evaluated by Shapley Additive Explanations. In internal validation, the classification model reliably detected LVH with an area under the curve (AUC) of 1.00 (95% confidence interval [CI], 1.00–1.00). The model demonstrated strong performance in differentiating etiologies, achieving AUCs of 0.97 (95% CI, 0.94–0.99) for HCM, 0.95 (95% CI, 0.90–0.99) for CA, and 0.86 (95% CI, 0.78–0.93) for HHD. In external validation, these results were consistent, with AUCs of 0.96 (95% CI, 0.92–0.98) for HCM, 0.89 (95% CI, 0.83–0.93) for CA, and 0.86 (95% CI, 0.81–0.91) for HHD. Notably, harmonization-driven textures played a key role in differentiating HCM, while conventional textures and myocardial thickness were influential in differentiating CA and HHD. This study confirms that AI-enhanced echocardiography-based radiomics effectively identifies LVH and its etiologies, highlighting the potential of AI-driven texture and geographic analysis in LVH evaluation. 심초음파검사는 좌심실비대(LVH) 검출에 핵심적이지만, 원인 감별에는 어려움이 있다. LVH 평가를 향상시키기 위해, 우리는 심초음파 기반 방사선체학을 이용한 인공지능(AI) 알고리즘 개발을 목표로 했다. 이 알고리즘은 심초음파 영상을 바탕으로 LVH를 검출하고 비대성심근병증(HCM), 심장 아밀로이드증(CA), 고혈압성심질환(HHD) 등 주요 원인들을 감별하도록 설계되었다. 개발 데이터셋은 다양한 의료센터에서 수집되었고(867명), 독립적인 외부 검증셋은 단일 3차 의료센터에서 확보되었다(619명). 4가지 기본 심초음파 영상에 대한 방사선체학적 특징 분석을 통해 기존 방식과 조화화 기반 심근 질감을 추출했다. 심근 모양과 두께 같은 심근 지리학적 특징도 주요 변수로 활용되었다. 분류 알고리즘을 개발하고, 각 변수의 기여도는 섀플리 가법 설명으로 평가했다. 내부 검증에서 분류 모델은 곡선하면적(AUC) 1.00 (95% 신뢰구간 [CI], 1.00–1.00)으로 LVH를 신뢰성 있게 검출했다. 원인 감별에서도 강력한 성능을 보여, HCM은 AUC 0.97 (95% CI, 0.94–0.99), CA는 0.95 (95% CI, 0.90–0.99), HHD는 0.86 (95% CI, 0.78–0.93)을 달성했다. 외부 검증에서도 이러한 결과가 일관되게 나타나, HCM은 AUC 0.96 (95% CI, 0.92–0.98), CA는 0.89 (95% CI, 0.83–0.93), HHD는 0.86 (95% CI, 0.81–0.91)을 기록했다. 특히 조화화 기반 질감은 HCM 감별에서 핵심적 역할을 했으며, 기존 질감과 심근 두께는 CA와 HHD 감별에 영향을 미쳤다. 이 연구는 AI가 강화된 심초음파 기반 방사선체학이 LVH와 그 원인들을 효과적으로 식별함을 확인하며, LVH 평가에서 AI 기반 질감 및 지리학적 분석의 잠재력을 부각시킨다.