适应深度学习以评估TAVR程序和结果的最新发展
Anas M Tahir1,2, Onur Mutlu2, Faycal Bensaali3
1Electrical and Computer Engineering Department, The University of British Columbia, Vancouver, BC V6T 1Z4, Canada.
Journal of clinical medicine
|July 29, 2023
概括
深度学习 (DL) 模型可以通过实时血液动力学分析来加快跨导管大动脉更换 (TAVR) 计划. 本综述探讨了用于生物假体心脏门 (BHV) 选择的DL应用,旨在改善TAVR结果.
科学领域:
- 心血管工程 心血管工程
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
背景情况:
- 大动脉缺陷需要生物假体心脏 (BHV) 置换,通常是通过透气管大动脉置换 (TAVR).
- 准确的手术前规划对于成功的TAVR结果至关重要.
- 传统的计算建模 (CFD,FEA,FSI) 用于BHV评估是计算密集且复杂的.
研究的目的:
- 综合审查TAVR规划和结果评估的计算建模,医学成像和深度学习 (DL) 方法.
- 专注于DL在评估生物假体心脏门 (BHV) 机制和动态中的应用.
- 确定挑战,并提出TAVR中DL的未来方向.
主要方法:
- 对经典计算建模技术 (CFD,FEA,FSI) 的审查.
- 在TAVR规划中使用的医学成像模式的分析.
- 对TAVR应用的深度学习 (DL) 研究的系统审查,重点关注数据集,模型和结果.
- 拟议的端到端DL框架的概要,用于实时TAVR评估.
主要成果:
- 深度学习 (DL) 为复杂的计算建模提供了实时替代品,快速染出血动力学参数.
- 之前的研究表明DL在分析TAVR数据中的潜力,尽管仍然存在挑战.
- 该审查强调需要标准化数据集和强大的DL模型用于临床翻译.
结论:
- 深度学习 (DL) 为克服TAVR规划中传统方法的计算局限性提供了一个有希望的解决方案.
- 一个集成的DL框架可以促进实时评估和优化TAVR的生物假体心脏门 (BHV) 选择.
- 实施这些框架可以提高外科手术规划,降低风险,并改善TAVR手术中的患者护理.
