相关实验视频
Updated: Jul 1, 2025
08:04
Murine Fetal Echocardiography
Published on: February 15, 2013
17.3K
开发和验证一个深度学习网络,通过多视图多模式胸外回声图检测先天性心脏病
Mingmei Cheng1, Jing Wang2,3, Xiaofeng Liu4
1Department of Intelligent Medical Engineering, School of Biomedical Engineering, Department of Psychology, School of Mental Health and Psychological Sciences, Anhui Medical University, Hefei 230011, China.
Research (Washington, D.C.)
|March 8, 2024
概括
一个深度学习模型准确地检测出儿童患有先天性心脏病 (CHD) 的 transthoracic心声图 (TTEs). 这种人工智能方法集成了多个视图和数据类型,提高了诊断准确度,并简化了对心房隔膜缺陷 (ASD) 和心室隔膜缺陷 (VSD) 的查.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 儿童心脏病学 儿童心脏病学
背景情况:
- 早期发现先天性心脏病 (CHD) 对于改善儿科结果至关重要.
- 缺乏经验的超声波医生经常通过跨胸心回声图 (TTE) 来精确识别心脏病.
- 当前的诊断方法可能具有挑战性,需要先进的工具来提高准确性.
研究的目的:
- 开发和评估深度学习 (DL) 框架,用于自动检测儿童心血管疾病.
- 整合多视图和多模式的TTE数据,以提高诊断性能.
- 预测正常心脏功能,心房隔膜缺陷 (ASD) 或心室隔膜缺陷 (VSD) 的概率.
主要方法:
- 从1932名儿童 (2018-2022) 中对2D和多普勒TTEs的分析.
- 开发一个DL框架,以识别心脏视图,整合信息,并预测心脏病的存在.
- 采用了五种标准的心声回声视图:顶部4室,子体,副腹长轴,副腹短轴和上腹长轴.
主要成果:
- DL模型在心脏视图分类 (0.989) 中实现了高精度.
- 对于心脏病查,该模型表现出色,AUC为0.996 (中心内) 和0.990 (跨中心).
- 对于健康,ASD和VSD的分类准确度很高,达到0.991 (中心内) 和0.986 (跨中心).
结论:
- 集成多个TTE视图和模式的深度学习模型显著提高了儿童心脏病检测的准确性.
- 开发的DL框架显示了接近经验丰富的超声波仪的性能潜力.
- 这种非侵入性方法可以提高心血管疾病查的效率和准确性,帮助早期诊断和治疗.
