相关实验视频
Updated: Jul 5, 2025
10:53
Ultrasonic Assessment of Myocardial Microstructure
Published on: January 14, 2014
5.5K
基于人口数据的联合机器学习改进了心脏结构和功能的自动回声心脏学量化:Automatisierte Vermessung der Echokardiographie项目
Caroline Morbach1,2, Götz Gelbrich3,4, Marcus Schreckenberg5
1Department Clinical Research and Epidemiology, Comprehensive Heart Failure Center, University Hospital Würzburg, Am Schwarzenberg 15, D-97078 Würzburg, Germany.
European heart journal. Digital health
|January 24, 2024
概括
联合机器学习 (ML) 改善了自动回声心脏图测量,减少了观察者变化. 增强的工具显示出比原始的自动化工具和人类观察员更高的准确性和精度.
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:
- 使用机器学习 (ML) 对心声回声图像的自动测量可以减少观察者变化.
- 一个现有的自动读取工具 ("原始检测器") 需要提高准确性.
研究的目的:
- 为了提高先前存在的自动化心声回声读取工具的准确性.
- 实施基于ML的联合再培训,以提高测量准确度.
主要方法:
- 联邦ML被用来重新训练一个自动回声心脏学分析工具.
- 培训数据来源于基于人群的"心力衰竭阶段A-B的特征和过程以及进展队列研究的决定因素" (n=4965).
- 基础真相生成和ML培训发生在一个安全的网络中,只有非个人培训权重交换.
主要成果:
- 与原始探测器相比,重新训练的探测器显示出更高的准确性,大多数参数的平均差异明显较小.
- 与一组人类观察员相比,重新训练的探测器显示测量的绝对差异较小.
- 重新训练的探测器表现出比人类读者更低的测量可变性.
结论:
- 基于人口数据的ML在一个联合设置是可行的心声回声分析分析.
- 重新训练的自动化工具提供了更高的准确性和精度,增加了对自动心声读数的信心.
- 这一进步对各种临床应用具有重大潜力.
更多相关视频
06:34Evaluation of Left Ventricular Structure and Function using 3D Echocardiography
Published on: October 28, 2020
4.0K
11:04Quantification of Global Diastolic Function by Kinematic Modeling-based Analysis of Transmitral Flow via the Parametrized Diastolic Filling Formalism
Published on: September 1, 2014
11.2K
