一个多任务深度学习模型用于儿科心声图分析

科学领域:

• 人工智能在医学中的应用
• 心脏病学 心脏病学
• 儿科成像学 儿科成像学

背景情况:

• 在全球范围内,先天性心脏缺陷影响着近1%的新生儿.
• 目前用于心声回声的深度学习模型仅限于成人分析或儿科单一任务.
• 现有的儿科模型分析了有限的心声回声图视图,阻碍了全面的评估.

研究的目的:

• 推出EchoAI-Peds,这是儿童心声学的第一个多任务深度学习模型.
• 开发一种能够同时整合来自多个心声回声图景的信息的模型.
• 解决儿童心声回声分析中单任务和单视图模型的局限性.

主要方法:

• 一个基于视频的视觉转换器被训练来检测从完整的儿科心声学研究的28个异常.
• 该模型整合了所有可用视图的信息,以进行统一的研究水平预测.
• 通过11000多项研究的70多万个视频进行培训,在内部和外部数据集上进行验证.

主要成果:

• 实现了0.91 (内部) 和0.89 (外部) 的宏观平均AUROC.
• 显著优于成年人的心声回声学基础模型 (p < 0.001).
• 在各种患者人口统计和研究类型中表现出强的表现.

结论:

• 多任务深度学习模型在帮助儿科心声图解读方面具有重大潜力.
• 结果强调了对专门针对儿科心脏病的AI模型的关键需求.
• EchoAI-Peds代表了小儿心声图的自动化分析的重大进步.