CMD小鼠模型建立与表型确认
建立并确认具有CMD的db/db和WD小鼠模型
使用db/db小鼠及西方饮食喂养小鼠,通过超声心动图和PV环导管术评估CBF、CFR、CFVR、CVRI及心脏功能,确认CMD表型
CORAL: a machine learning algorithm to identify coronary microvascular disease from doppler coronary blood flow patterns
使用db/db和WD两种小鼠模型,结合超声心动图、PV环导管术及独立测试集验证CORAL分类性能
T2D db/db小鼠(12、16、36周龄) 对照Db/db小鼠 西方饮食喂养C57BL/6J小鼠(20周)
db/db与Db/db小鼠在12、16、36周龄的分组及样本量(每组68-92只) 西方饮食喂养20周与正常饮食对照的分组(每组n=20) CBF图像采集于基线(1%异氟烷)和充血(3%异氟烷)条件 ML数据集划分:训练集70%、测试集10%、独立测试集20% 主要评价指标为动物水平准确率,模型训练90个epoch
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
建立并确认具有CMD的db/db和WD小鼠模型
使用db/db小鼠及西方饮食喂养小鼠,通过超声心动图和PV环导管术评估CBF、CFR、CFVR、CVRI及心脏功能,确认CMD表型
获取并处理用于机器学习的CBF模式图像
经胸多普勒超声采集CBF录像,转换为条带图,按ECG分割心动周期,过滤低质量图像,提取血流相关变量
训练SWIN Transformer分类器并评估其识别CMD的准确性
使用db/db数据集训练SWIN模型,可选融合超声心动图或PV环心脏功能特征,在内部测试集和WD独立测试集评估准确率
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 血糖测量 | AlphaTrak血糖仪 | Abbott Laboratories | -- |
| 超声心动图与CBF采集 | VisualSonics Vevo 2100超声系统 | VisualSonics | -- |
| 30 MHz探头 | -- | -- | |
| PV环导管术 | Transonic SciSense压力-容积环导管 | Transonic SciSense | -- |
| 机械呼吸机Model SAR-830/P | CWE, Inc | SAR-830/P | |
| 动物处理 | 脱毛膏(Nair) | Nair | -- |
| 动物饮食 | 西方饮食(TestDiet 5APC改良型) | TestDiet | 5APC |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 动物模型与分组 | db/db与Db/db小鼠的周龄(12、16、36周)及每组样本量(68-92只);WD小鼠喂食西方饮食20周,每组n=20 阅读提示:Methods中Animal models小节及Table 1、Table 2 |
| CBF超声采集条件 | 异氟烷浓度:基线1%、充血3%;使用30 MHz探头;左主干冠状动脉测量 阅读提示:Methods中Coronary blood flow/cardiac functional measurements小节及Supplementary Fig. 1 |
| 机器学习数据集划分与训练参数 | 训练集70%、测试集10%、独立测试集20%;90个epoch;batch size 16;学习率5×10^-7和1×10^-6;图像 resize 至256×256 阅读提示:Methods中Training和Model implementation小节 |
| 模型评估指标 | 以动物水平准确率为主要评价指标;排除低质量图像(共10,064张)及5只无可靠标注的动物 阅读提示:Methods中Training小节及Statistical analysis小节 |