相关实验视频
Updated: Jul 9, 2025
10:53
Ultrasonic Assessment of Myocardial Microstructure
Published on: January 14, 2014
5.5K
一个通用深度学习模型用于心力衰竭诊断,使用动态和静态超声波
Zeye Liu1,2,3,4, Yuan Huang5, Hang Li1,2,3,4
1Department of Structural Heart Disease, National Center for Cardiovascular Disease, China and Fuwai Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100037, China.
Journal of translational internal medicine
|November 29, 2023
概括
一种新的深度学习模型使用心脏超声波准确地识别心力衰竭 (HF),优于经验丰富的专家,并为患者提供便携式诊断报告.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 心电图 (ECG) 是诊断心力衰竭 (HF) 的首要工具,但其准确性取决于操作员的专业知识.
- 电脑心电图数据的视频格式对患者转诊和重新检查提出了挑战.
研究的目的:
- 开发一种深度学习模型,以使用动态和静态回声心脏学数据对心脏功能进行标准化评估.
- 为了提高心力衰竭诊断的准确性和可访问性.
主要方法:
- 一个深度时空卷积模型 (r2plus1d-Pan) 得到了增强,并使用"回归训练与分类应用相结合"的方法进行训练.
- 该模型在多国多中心数据集上进行了训练和验证,包括8,976次心脏超声波查看和10,085次视频,并对射出分数 (EF) 进行了专家标记.
主要成果:
- 该模型在动态数据上实现了0.95的AUC,在独立验证集上达到1.0.
- 在静态心脏超声波视图上,人工智能模型的分类准确度在81%至93%之间,与经验丰富的专家 (≥3年经验) 相比.
结论:
- 一种新型的深度时空卷积模型使用多维心脏超声数据准确地识别了心力衰竭,减少了喷射率 (<40%).
- 这种人工智能模型的诊断性能超过了大多数高级专家,并提供了通过便携式报告改进HF诊断和患者管理的潜力.
