使用深度学习模型从心声图自动预测儿科心脏输出
Steven Ufkes1, Mael Zuercher2,3, Lauren Erdman1
1Division of Genetics and Genome Biology, Centre for Computational Medicine, The Hospital for Sick Children, Research Institute, Toronto, Ontario, Canada.
CJC pediatric and congenital heart disease
|November 16, 2023
概括
人工智能使用深度学习准确估计儿科心脏输出 (CO),改进了传统方法. 这项技术支持重症监护机构实时临床决策.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 心脏输出 (CO) 干扰是常见的,导致显著的发病率和死亡率.
- 准确的CO评估对于麻醉和重症监护的治疗指导至关重要.
- 目前的二氧化碳测量方法是具有挑战性的,即使对于专家来说,突出需要先进的解决方案.
研究的目的:
- 开发和评估一种新的深度学习模型,用于准确和快速的儿科心脏输出估计.
- 修改现有的成人深度学习模型 (EchoNet-Dynamic) 用于儿科左心室外流通道直径预测.
- 创建一个新的深度学习方法用于速度时间积分估计,以实现自动CO预测.
主要方法:
- 从正常和扩张心肌病组的儿科心声图进行了审查.
- 一个经过修改的EchoNet-Dynamic模型在儿科数据上进行了重新训练,用于LVOT直径预测.
- 开发了一种新的深度学习模型用于VTI估计,并与LVOT预测相结合,用于自动化CO计算.
- 使用RMSE,MAE,MAPE和R2.2对专家测量的模型性能进行了评估.
主要成果:
- 该模型估计心脏指数 (CI) 的R2为0.755,RMSE为0.389 L/min/m2,MAE为0.321 L/min/m2,MAPE为10.8%.
- 布兰德-阿尔特曼分析显示,CI估计的偏差为+0.14 L/min/m2和95%的协议界限从-0.58到0.86 L/min/m2.
- 开发的模型与地面真相CO测量结果有很强的相关性,偏差为0.17L/分钟.
结论:
- 人工智能模型准确地估计了儿科心脏输出,超过了许多现有方法.
- 模型预训练使得即使使用有限的数据集,也可以进行准确的估计.
- 潜在的应用包括实时床边CO计算,识别低CO状态和监测治疗反应.
