Clasificación de la regurgitación mitral en la ecocardiografía basada en métodos de aprendizaje profundo

Área de la Ciencia:

• Cardiología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La clasificación de la regurgitación mitral (MR) basada en la ecocardiografía se basa en gran medida en la interpretación de expertos.
• Los métodos actuales consumen mucho tiempo y están sujetos a variabilidad entre los observadores.

Objetivo del estudio:

• Desarrollar un sistema de toma de decisiones asistido por inteligencia artificial (IA) para la clasificación de MR.
• Mejorar la precisión y eficiencia del diagnóstico por resonancia magnética mediante la ecocardiografía.

Principales métodos:

• Se utilizaron 754 vídeos de ecocardiografía (visiones A2C, A3C, A4C) de 266 sujetos.
• Desarrollado ARMF-Net, un modelo de aprendizaje profundo con módulos residuales convolucionales en 3D y mecanismos de atención múltiple.
• Se clasificó la RM en función mitral normal (NM), RM degenerativa (DMR), RM funcional auricular (AFMR) y RM funcional ventricular (VFMR).

Principales resultados:

• ARMF-Net logró una alta precisión a nivel de video (0,93 en general) y precisión a nivel de participante (hasta 0,961).
• Las precisiones específicas para DMR, AFMR, VFMR y NM fueron altas en ambos niveles.
• La clasificación se realizó en cuestión de segundos, reduciendo significativamente el tiempo de diagnóstico.

Conclusiones:

• El modelo de IA identifica con precisión la función normal de la válvula mitral y tres tipos de resonancia magnética a partir de videos de ecocardiografía.
• ARMF-Net ofrece análisis auxiliares automatizados y cribado rápido para la interpretación clínica del ecocardiograma.
• Este sistema de IA tiene el potencial de mejorar el flujo de trabajo clínico y la precisión del diagnóstico para la RM.