活跃机器学习用于在使用生成对抗网络的Fontan程序后对时间变化的边界条件的程序前预测

科学领域:

• 心血管外科心血管外科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 丰坦手术对于单心室息至关重要.
• 精确的手术规划对于优化Fontan手术结果至关重要.
• 术前测量可能不反映术后情况,影响规划准确性.

研究的目的:

• 应用机器学习来预测Fontan患者的术后静脉流量状况.
• 利用预测模型开发一个准确的外科手术规划框架.
• 为应对心血管研究数据有限的挑战.

主要方法:

• 开发了一个多样性意识的产生性对抗性主动学习框架.
• 合成了一个虚拟队列,使用一次性参数模型.
• 在有限的手术前和手术后数据上训练深度神经网络.

主要成果:

• 拟议的框架实现了高预测准确性和确定系数.
• 在训练具有有限案例数据的预测模型方面取得了成功.
• 在14种战略,指标和增强的实验组合中表现优于其他方法.

结论:

• 该框架能够准确地预测Fontan手术规划的术后边界条件.
• 代表了对心血管流量预测的深度学习的重大进展.
• 减少了标签要求,并扩大了心血管研究的学习空间.