对深度学习算法的外部验证,用于自动回声心脏图谱应变测量

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:

• 心声应变成像评估心肌变形,为心脏功能和壁运动异常提供了敏感的见解.
• 深度学习 (DL) 提供了一个机会,可以自动化复杂的心声波应变成像的复杂解释.

研究的目的:

• 开发和验证基于DL的算法,用于自动化左心室 (LV) 应变测量.
• 评估自动GLS和区域应变在识别心力衰竭 (HF) 和区域壁运动异常方面的准确性.

主要方法:

• 在内部数据集上开发和训练了一种自动化的DL算法.
• 全球纵向菌株 (GLS) 在台湾队列和PROMIS-HFpEF研究中得到了外部验证.
• 在怀疑心肌梗塞患者的HMC-QU-MI研究中验证了区域性菌株.

主要成果:

• DL工作流成功地分析了所有队列 (89-98%) 的高百分比研究.
• 自动GLS在台湾队列 (R=0.84) 和PROMIS-HFpEF (R=0.76) 中与手动测量有很好的一致性.
• 自动GLS准确地识别了HF (AUC=0.89) 和区域菌株识别的壁运动异常 (AUC=0.80).

结论:

• DL算法可以以与传统方法相比的准确性解释回声心脏图像的应变图像.
• 该研究强调了DL在民主化心脏应变测量方面的潜力,减少了心声回声实验室的全球成本和时间.