深度学习辅助大动脉狭窄的检测和分级基于多视图与单视图回声心脏学

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习 (DL) 显示出对自动化心声回声图解读的承诺,提高了临床准确性和效率.
• 使用DL进行大动脉狭窄 (AS) 分析的全自动化管道在很大程度上尚未探索.
• 这项研究解决了对AS进行简化临床评估的需求.

研究的目的:

• 开发一种深度学习 (DL) 框架,用于在心声学中进行自动化大动脉狭窄 (AS) 分析.
• 通过自动化管道来简化临床AS评估.
• 评估DL框架在分类视图,检测AS和评估其严重性的表现.

主要方法:

• 从17436个VHD案例中利用了499个AS研究 (1996次浏览) 来进行培训,验证和内部测试.
• 采用3278个心声回声图的前性收集数据集作为现实世界的测试集.
• 开发了一种DL框架,用于使用多视图和单视图算法进行自动视图分类,AS检测和严重性评估.

主要成果:

• 在前性测试数据集中,DL模型在AS检测方面取得了高性能 (AUC=0.942).
• 对关键AS参数的DL等级指标和手动测量之间观察到很好的相关性 (例如,AV峰值速度r=0.94,平均峰值梯度r=0.91).
• 与中度 (AUC=0.907) 和轻度AS (AUC=0.874) 相比,DL模型在识别严重AS (AUC=0.976) 中表现优越.

结论:

• 拟议的DL算法显示了自动化和提高AS查和分级临床工作流程效率的巨大潜力.
• 该框架提供了一个有前途的工具,用于对心声学中客观和可重复的AS评估.
• 这种自动化方法可以帮助临床医生更快,更准确地诊断和管理AS.