对比创新的人工智能算法来评估临床建模的心声回声录像

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:

• 在心声回声学中预测建模对于心脏诊断至关重要.
• 深度学习为分析复杂的心声回声数据提供了先进的功能.
• 优化模型性能需要仔细考虑样本大小和数据类型.

研究的目的:

• 在基于视频的心声回声图像上使用动态深度学习算法开发预测模型.
• 评估样本大小确定对模型性能指标的影响.
• 在监督和半监督学习环境中比较各种深度学习架构.

主要方法:

• 3D卷积神经网络,视频视觉转换器和混合CNN-LSTM模型的比较.
• 在监督学习和半监督学习 (SSL) 领域进行评估.
• 用可变训练数据集大小 (200,400,800个视频) 评估模型性能.

主要成果:

• 在监督学习中,ResNet3D显示了最低的平均绝对误差 (MAE) 和根平均平方误差 (RMSE),在800个视频中表现最佳.
• 包括ResNet3D和ResNet+LSTM在内的SSL模型,通过包含未标记的数据,特别是在更大的数据集中,显示了性能改进.
• 使用混合标记和未标记数据的SSL模型的性能与仅使用标记数据的模型在类似的样本大小中相似.

结论:

• 半监督学习 (SSL) 模型可以在不需要大型标记数据集的情况下在心声回声分析中实现高性能.
• 这些发现表明,SSL可以有效地利用未标记的数据,使预测建模更容易获得和更有效.
• 这种方法对减少数据注释负担和提高AI在心脏成像中的可扩展性具有重大影响.