自动自发回声对比检测使用多序注意力卷积神经网络

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 血管超声波的解释

背景情况:

• 自发回声对比 (SEC) 是一种与血栓栓塞瘤风险增加相关的血管超声检测结果.
• 目前的SEC识别需要专家的确定和大量的临床医生的时间,这给其广泛采用带来了障碍.
• 自动检测SEC可以简化临床实践,并促进大规模数据分析.

研究的目的:

• 开发和评估一个深度学习模型,用于在股骨静脉超声图像中自动识别自发回声对比 (SEC).
• 使用标准指标评估模型的性能,并比较其有效性,并没有注意力机制.
• 提供公开可用的模型和数据集,以鼓励进一步的研究和临床实践中的应用.

主要方法:

• 从201名患者的801份档案大腿静脉超声采集数据集进行了策划.
• 采用了带有ResNetv2骨干的多序卷积神经网络 (CNN),将软注意纳入关键重要性可视化.
• 模型性能使用80/20列车/测试分割进行评估,报告ROC-AUC,灵敏度,特异性和F1得分.

主要成果:

• 深度学习模型在软注意力下实现了0.74的曲线下面面积 (AUC),表现出0.73的灵敏度和0.68.8的特异性.
• 没有软注意力的模型产生了0.69的较低AUC,灵敏度为0.71和特异性为0.60.
• 注意力可视化表明,该模型更重视具有更大的血管光度的超声波,与SEC存在相关.

结论:

• 一个多序CNN模型有效地识别了超声关键中的自发回声对比 (SEC),其AUC为0.74.
• 这种自动化方法可以使SEC选应用程序,并促进发现更多的SEC相关数据.
• 该模型消除了对专家干预和额外的临床医生报告时间的需求,克服了SEC采用目前的障碍.