使用深度学习来预测心血管磁共振结果从心声录像视频
概括
通过心声回声学进行深度学习,可以准确地识别出墙壁运动异常,但无法从MRI中预测心脏组织特征. 这表明回声心脏学缺乏详细组织分析所需的信号,这使得心脏MRI对于纤维化和炎症评估至关重要.
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:
- 心声图是心脏评估的标准,而心脏MRI (CMR) 提供独特的组织特征 (纤维化,炎症).
- 深度学习 (DL) 可以揭示新的发现,但其从心声谱中获得CMR组织特征的能力尚未被探索.
研究的目的:
- 调查DL应用于心声回声视频是否可以预测CMR衍生的组织特征.
- 评估DL模型在识别墙壁运动异常 (WMA) 和组织特征,如晚期加多增强 (LGE),T1,T2和细胞外体积 (ECV) 的性能.
主要方法:
- 一项回顾性研究包括1453名成年患者,在30天内进行CMR和心声回声学对照.
- 一个基于视频的卷积神经网络被训练在心声回声学上,以预测CMR发现 (WMA,LGE,T1,T2,ECV).
主要成果:
- 该DL模型准确地预测了WMA的存在 (AUC0.873).
- 然而,该模型对预测LGE (AUC 0.699),本地T1 (AUC 0.614),T2 (AUC 0.553) 或ECV (AUC 0.564) 的能力有限.
结论:
- 应用于心声回声的DL可以识别WMA,但不是基于CMR的心肌组织特征.
- 这表明心声回声录像视频可能缺乏足够的信号来进行详细的组织分析,这强化了CMR对此类评估的持续重要性.
