在多次视图回声心电图中,用模型不可知的超级学习在几次拍摄设置中量化左心室质量
Yeong Hyeon Kim1, Donghoon Kim2, Jin Young Youm3
1Interdisciplinary Program in Bioengineering, Graduate School, Seoul National University, Seoul, Republic of Korea.
PeerJ. Computer science
|September 24, 2025
概括
这项研究引入了一种新的几次射击学习模型,用于左心室质量 (LVM) 在心声回声学中的量化. 该模型实现了与传统方法相比的性能,即使数据有限,也解决了专家短缺问题.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 心脏病学 心脏病学
背景情况:
- 精确的左心室质量 (LVM) 测量通过心声学是诊断心脏病的关键.
- 随着患者数量的增加,专家心声回声仪的可用性受到压力.
- 目前的深度学习模型需要大量的标记数据,这限制了它们的临床适用性.
研究的目的:
- 开发一个简单的学习框架,以快速准确的量化LVM在不同的心声回声视图.
- 为了解决大,视图特定的数据集在深度学习对心声回声学的局限性.
- 提高临床实践中LVM评估的效率和可访问性.
主要方法:
- 开发了一个基于热图的点估计细分模型.
- 模型无意识的超级学习 (MAML) 用于高效的少量学习.
- 该模型在多个数据集 (EchoNet-LVH,TMED-2,CAMUS) 上进行了训练和验证,在使用1次,5次和10次拍摄场景的各种心声回声视图 (PLAX,PSAX,顶顶2室,顶顶4室) 上进行了验证.
主要成果:
- 提出的基于MAML的方法表现出与在更大的数据集上训练的模型相比的性能.
- 关键指标包括平均距离误差,平均角度误差,成功距离误差和空间角度相似性被用于评估.
- 该框架在对LVM量化的一些射击学习场景中表现出有效性.
结论:
- 使用MAML的Few-Shot学习提供了一个可行的解决方案,用于在有限数据的心声回声学中量化LVM.
- 这种方法可以帮助克服专家超声波专家的短缺,并减少操作员之间的变化.
- 该模型适应新观点的适应性有助于更广泛的临床实施.
