多视图心声嵌入用于可访问的AI开发

科学领域:

• 医学的人工智能
• 心血管成像
• 医疗保健中的机器学习

背景情况:

• 对心血管诊断至关重要.
• 目前用于心脏成像的AI基础模型是计算密集型和数据密集型,限制了可访问性.
• 矢量嵌入为人工智能应用中紧数据表示提供解决方案.

研究的目的:

• 为心脏人工智能开发一个可访问的多视图编码框架.
• 研究人工智能模型中的人口公平性挑战.
• 提高心血管AI应用中的诊断性能和效率.

主要方法:

• 使用MIMIC-IV-ECHO数据集 (7,169项研究) 开发了一个基于变压器的多视图编码器.
• 将视图级表示集成到研究级嵌入中,以实现高效的下游任务.
• 采用对抗性学习来缓解人口偏差,同时保持21个分类任务的临床性能.

主要成果:

• 与基础模型基线相比,多视图编码器实现了平均9. 0 AUC点的改善 (12. 0%的相对改善).
• 尽管心声回应视频数量减少,但表现仍然强.
• 在没有损害诊断准确性的情况下,对抗性学习在消除人口快捷方式方面取得了有限的成功.

结论:

• 开发的框架使先进的心脏人工智能民主化,提供了大幅度的诊断改进,并减少了计算需求.
• 多视图编码器为心血管医学更广泛采用人工智能提供了实用途径.
• 提高效率和可访问性是现实世界的临床环境的关键好处.