Detección de aprendizaje profundo de alto rendimiento de regurgitación mitral

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• El diagnóstico de la regurgitación mitral (MR) se basa en la ecocardiografía con imágenes Doppler.
• Los métodos de diagnóstico actuales requieren la interpretación de expertos, lo que pone de relieve la necesidad de soluciones automatizadas.

Objetivo del estudio:

• Desarrollar y validar una línea de aprendizaje profundo totalmente automatizada para la detección de MR.
• Para identificar vídeos de visión apical de 4 cámaras con Doppler en color y evaluar la gravedad de la RM.

Principales métodos:

• Utilizó un gran conjunto de datos de 58.614 ecocardiogramas transtorácicos (2.587.538 videos) del Centro Médico Cedars-Sinai.
• Desarrolló una tubería automatizada para la identificación de la vista y la evaluación de la gravedad de MR.
• Validaron el modelo internamente y externamente en distintas cohortes de pacientes.

Principales resultados:

• El clasificador de vistas logró un AUC de 0,998 internamente y 0,996 externamente.
• La tubería detectó MR moderado o mayor con AUC de 0.916 (internas) y 0.951 (externas).
• La detección de MR grave mostró AUC de 0,934 (internas) y 0,969 (externas).

Conclusiones:

• Una nueva tubería automatizada demostró un excelente rendimiento en la identificación de MR significativo.
• El enfoque desarrollado muestra potencial para el cribado automatizado y la vigilancia de la regurgitación mitral.