深度学习驱动的左心室扩张功能的自动评估

科学领域:

• 心脏病学
• 医学的人工智能
• 医学成像分析

背景情况:

• 在诊断心脏病时,左心室扩张功能 (LVDF) 的评估至关重要.
• 传统的心声回声分析可能耗时,且受观察者之间的变化影响.
• 自动化分析工具正在出现以提高效率和准确性.

研究的目的:

• 评估完全自动化的深度学习模型的可行性和准确性.
• 将人工智能驱动的测量与使用二维胸腔回声心脏图 (TTE) 的专家手动解释进行比较.
• 评估人工智能模型在分类扩张功能障碍等级的诊断性能.

主要方法:

• 一项前性观察性研究包括302名因怀疑腹功能障碍而接受2DTTE的患者.
• 基于人工智能的软件 (Ligence Heart) 自动分析透气指标.
• 人工智能测量与专家手工测量进行了比较.

主要成果:

• 人工智能模型对光谱和组织多普勒参数的成功率很高.
• 在E速度 (r=0. 93),A速度 (r=0. 88),E/ A比率 (r=0. 94) 和左心室体积指数 (LAVi) (r=0. 92) 中观察到强烈的相关性.
• 在分类正常和严重的透气功能障碍等级方面取得了很高的准确性.

结论:

• 使用二维TTE对LVDF进行自动化AI评估是可行的和准确的.
• 人工智能模型提供了基于指导方针的测量,与专家解释有很强的相关性.
• 这种人工智能方法可以提高临床实践中的诊断一致性和效率.