完全自动估计全球左心室缩功能的使用深度学习在 transoesophageal心声学深度学习
Erik Andreas Rye Berg1,2,3, Anders Austlid Taskén4, Trym Nordal5
1Centre for Innovative Ultrasound Solutions, Department of Circulation and Medical Imaging, Faculty of Medicine and Health Science, Norwegian University of Science and Technology, Prinsesse Kristinas gate 3, Trondheim 7030, Norway.
European heart journal. Imaging methods and practice
|July 24, 2024
概括
一种新型的深度学习方法用于通过食管心电图 (TOE) 的自动环平面缩外流 (自动MAPSE) 估计是快速,可行和可靠的,用于监测心脏功能心脏病患者.
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:
- 在重大手术和重症监护期间,精确监测心脏功能至关重要.
- 过食管回声心电图 (TOE) 是评估心脏表现的关键成像方式.
- 目前用于测量状环状平面缩外流 (MAPSE) 的方法可能耗时且主观.
研究的目的:
- 开发和临床验证一个完全自动估计MAPSE (自动-MAPSE) 使用深度学习在TOE.
- 与手动测量相比,评估自动MAPSE的可行性,一致性和评价者之间的可靠性.
- 评估自动MAPSE在实时监测左心室功能的潜力.
主要方法:
- 一种基于深度学习的自动MAPSE方法在105名患者的TOE记录上被开发和训练.
- 在 80 名连续患有心脏病的患者中评估了可行性,一致性和评价者之间的可靠性.
- 与手动MAPSE参考测量进行了比较,有和没有心电图 (ECG) 追踪.
主要成果:
- 自动MAPSE的可行性很高 (>90%总体,至少在两个墙上≥95%).
- 与手册参考书的一致性与手册观察者间一致性 (偏差 -0.5至 -0.2毫米) 相当.
- 自动MAPSE的评价者间可靠性 (类内相关系数) 高 (0.88-0.90).
结论:
- 自动MAPSE是一种快速,高可行性和可重复的方法,用于估计缩外流.
- 自动MAPSE的性能与手动评估和手动观察者间变异性相美.
- 自动MAPSE具有显著的潜力,可以在临床环境中提高左心室功能的实时监测.
