自动化HFrEF诊断使用一个优化的TimeSformer模型在心声学中

科学领域:

• 人工智能在医学中的应用
• 心血管成像分析心血管成像分析
• 深度学习用于医学诊断

背景情况:

• 诊断心力衰竭与减少喷射分数 (HFrEF) 是具有挑战性的,特别是在晚期.
• 深度学习 (DL) 模型对自动化HFrEF检测有前途,但在小,不平衡的临床数据集方面存在困难.
• 目前的方法需要改进,以便在不同的临床环境中可靠地进行HFrEF诊断.

研究的目的:

• 开发和评估一种新的深度学习方法,以使用心声回声视频来增强HFrEF检测.
• 适应和应用TimeSformer架构用于回声心脏学中的时空特征提取.
• 通过将域信息的左心室 (LV) 掩盖用于集中分析来提高模型性能.

主要方法:

• 利用基于变压器的模型TimeSformer架构进行回声心脏图像数据分析.
• 采用图像细分技术实施了一种新的域信息左心室 (LV) 掩盖技术.
• 在微调后,对大规模基准数据集和专门的较小临床数据集进行了评估.

主要成果:

• 拟议的框架在基准数据集的准确性和AUC上实现了3%的改善.
• 在专门的临床数据集上,准确度提高了7%,AUC值提高了30%.
• 带有LV掩饰的TimeSformer始终优于传统方法,显示出显著的性能提升.

结论:

• 新的深度学习框架提供了一种实用和可通用的策略,用于改进自动化的HFrEF诊断.
• 该方法提高了诊断性能,特别是在数据稀缺的医疗环境中.
• 研究结果支持该方法在心血管医学中提供临床决策支持的潜力.