利用3D回声心脏图来评估人工智能模型在预测心脏功能方面的表现,这些数据来自分布之外的数据

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心脏病学 心脏病学

背景情况:

• 医学成像和人工智能已经推进了心脏诊断,旨在减少人类的变性.
• 由于超声波诱导的图像采集变化,心脏超声波人工智能性能可能是不可预测的,导致分布之外的数据.
• 目前的人工智能模型通常在2D图像上进行训练,限制了对真实世界的性能理解,并具有获取变异性.

研究的目的:

• 用3D心声学模拟心脏超声波图像采集中的现实人体变异.
• 在模拟收购变化下评估经过验证的人工智能模型的分销外 (OOD) 性能.
• 开发用于解释3D回声数据和量化获取变化的工具.

主要方法:

• 利用3D心声回声学来模拟图像采集的变化,模仿超声波仪之间的差异.
• 开发了新的工具来解释3D回声数据,并重新创建常见的获取变量.
• 量化了先前验证的AI模型在模拟的多样化和标准的2D视图上的性能,这些视图来自3D数据.

主要成果:

• 人工智能模型在高质量视图上表现如预期,但在采集位置的变化下表现下降.
• 在低于最佳的视图上的表现很差,但优于随机的机会,这表明一些体积范围内的信息利用.
• 模拟的缩短变化不会产生与人类超声波器错误相比较的错误.

结论:

• 人类心脏超声波采集的变化显著影响AI模型的性能,特别是在低于最佳的视图.
• 3D心声回声学是模拟和理解真实世界条件下的AI性能的一个有价值的工具.
• 即使在图像质量下降的情况下,AI模型也可能保留一些诊断能力,这表明 robustness 超出了特定的视图优化.