使用人工智能与人类阅读器相比,对区域墙壁运动异常进行心声检测

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:

• 区域壁运动异常 (RWMA) 的检测在胸前心电回声学中至关重要.
• 目前的手动评估方法在观察者之间存在显著的变化.
• 开发自动化工具对于一致可靠的RWMA分析至关重要.

研究的目的:

• 开发和验证用于自动化RWMA检测的深度学习 (DL) 模型.
• 为了比较DL模型的性能与专家和初学者的人类读者.
• 评估DL在提高RWMA评估准确性和效率方面的潜力.

主要方法:

• 一个卷积神经网络在15746个胸前回声心脏成像研究 (25,529个尖端视频) 上受过训练.
• 该DL模型预测了RWMA在7个冠状动脉 perfusion 地区使用顶部的2,3和4室视图.
• 用F1分数对专家定义的地面真相进行了评估,并与6名专家和3名初学者进行了比较.

主要成果:

• DL模型实现了0.96的曲线下的面积来检测任何RWMA.
• DL模型的F1分数与7个地区中的6个地区的专家的F1分数相当,在整体RWMA检测方面F1分数 (94比90) 高.
• 在检测任何RWMA方面,DL模型显著优于初学者读者 (初学者1的P=.002,初学者2的P=.02).

结论:

• 深度学习模型可以在心声学中准确可靠地检测RWMA.
• DL模型的性能与专家心脏病专家相美,优于初学者读者.
• DL有可能提高RWMA评估的效率,并作为训练员的教育工具.