深度学习提高了回声心脏图像中区域菌株的测试复试可重复性

科学领域:

• 心血管成像 - 心血管成像
• 心声回声扫描 (Echocardiography) 是一种心声回声扫描.
• 人工智能在医学中的应用

背景情况:

• 在心声回声学中区域应变测量的可复制性对于临床实用性至关重要,但往往不够理想.
• 区域纵向应变 (RLS) 评估的现有半自动方法可以依赖于用户并耗费大量时间.
• 准确评估心肌功能对于诊断和管理心血管疾病至关重要.

研究的目的:

• 评估一种全自动化深度学习 (DL) 方法的测试复制性,用于区域纵向应变 (RLS) 测量.
• 将DL衍生的RLS测量 (RLS_领土和RLS_水平) 与经验丰富的观察员使用的半自动方法的可复制性进行比较.
• 评估DL方法在临床应用中的可行性和效率.

主要方法:

• 使用了一组双中心测试复试数据集,包括40个对照组和40名患者.
• 每个受试者被不同的操作人员记录了两个连续的心声回声图.
• 区域纵向应变 (RLS) 使用新的DL点跟踪方法进行测量,并与三名经验丰富的观察员使用半自动软件 (EchoPAC) 进行比较. 使用最小可检测变化 (MDC) 和布兰德-阿尔特曼分析来评估可复制性.

主要成果:

• DL方法在RLS_Territory和RLS_Level方面表现出优异的可重复性,MDC在3.6-4.3%之间,比基于观察者的方法 (MDC5.5-6.4%) 有33-35%的改善.
• 与观察者间和观察者内部情景相比,DL方法显示测试-重复测试差异的变异明显较小 (P < 0.001).
• DL方法的可行性很高 (93%),每次心声回声仅有1秒的快速测量时间.

结论:

• 与半自动技术相比,新型全自动DL方法在区域纵向应变测量方面提供了显著改进的测试-重复测试可重复性.
• 这种DL方法提供了一种更高效,不太依赖用户,并且高度可重复的方法,通过回声心脏学来评估心肌功能.
• 通过详细的心肌功能评估,DL方法的增强可重复性和效率有可能促进临床患者护理.