使用深度学习来预测心血管磁共振结果从心声录像视频

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:

• 心声成像是主要的心脏成像工具.
• 心脏磁共振 (CMR) 为纤维化,透和炎症提供了先进的组织特征 (LGE,T1/T2映射,ECV).
• 深度学习 (DL) 可以揭示微妙的发现,但其从心声谱中推导CMR组织特征的能力尚未被探索.

研究的目的:

• 评估DL模型在检测CMR衍生组织特征时从心声回声录像视频中的性能.
• 评估模型预测LGE存在和异常T1,T2或ECV值的能力.
• 确定通过DL增强的心声回声能否在组织特征化中取代CMR.

主要方法:

• 在30天内对CMR和心声回声学配对的成年患者进行回顾性研究.
• 一个基于视频的卷积神经网络被训练在心声回声图的视图.
• 该模型预测CMR衍生的LGE,T1,T2,ECV和墙壁运动异常 (WMA) 作为正控.

主要成果:

• 这项研究包括1,453名患者和2,556项配对研究.
• DL模型实现了WMA检测的高精度 (AUC = 0.873).
• 该模型在预测LGE (AUC = 0.699) 和异常T1 (AUC = 0.614),T2 (AUC = 0.553) 或ECV (AUC = 0.564) 中表现不佳.

结论:

• 应用于心声回声学的DL有效地识别了基于CMR的WMA.
• 该模型无法预测CMR特定的组织特征,这表明超声波缺乏这些参数的可检测信号.
• 对于详细的心脏组织表征,CMR仍然至关重要.