转移学习视频分类 保存,中程和减少的左心室射出小部分在心声学中

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:

• 准确评估左心室喷射率 (EF) 对于患者管理至关重要.
• 将EF分为降低 (rEF),中等范围 (mEF) 和保存 (pEF) 类别具有重要的临床意义.
• 传统的EF评估方法可能耗时,需要专门的专业知识.

研究的目的:

• 评估端到端视频分类的有效性,使用AutoML对左心室喷射小部分 (EF) 的分类.
• 评估人工智能模型在从心声回声记录中区分减少,中等范围和保存EF的性能.
• 使用转移学习建立自动化EF分类的概念验证.

主要方法:

• 利用谷歌Vertex AI AutoML来对来自斯坦福德EchoNet-Dynamic存储库的心声回声数据集进行端到端的视频分类.
• 在数据集平衡和75/25分列列车测试方面,雇员占多数的样本不足.
• 执行二元分类 (rEF与非rEF;非pEF与pEF) 和三元分类 (rEF,mEF,pEF).

主要成果:

• 对rEF与非rEF的二进制分类实现了高性能 (ROC AUC 0.939,准确率为0.863).
• 非pEF与pEF的二元分类显示出强的表现 (ROC AUC 0.917,准确率为0.829).
• 三级分类显示性能较低,特别是对于mEF类. 一个PyTorch的实施证实了可行性.

结论:

• 使用AutoML进行端到端的视频分类是分类左心室喷射分数 (EF) 的可行方法.
• 人工智能模型在二元分类任务中表现出强的表现,用于识别减少或保留的EF.
• 需要进一步的前性临床研究来评估这种自动化EF分类方法.