使用卷积神经网络对胎儿心声学进行自动和准确的视图分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 准确的胎儿心声图视图分类对于先天性心脏病 (CHD) 的产前诊断至关重要.
• 挑战包括低于最佳的图像质量和依赖专家解释.
• 需要使用深度学习框架进行自动分类,以提高诊断准确性和效率.

研究的目的:

• 评估各种基于卷积神经网络 (CNN) 的框架的性能,用于自动分类八种标准胎儿心声图.
• 为了比较不同CNN模型的准确性,并确定临床应用的最佳框架.

主要方法:

• 利用了来自953名胎儿的10,032张胎儿心声图像的数据集进行培训和验证,以及2,071张用于测试的图像.
• 训练了先进的CNN模型,包括ConvNeXt,来分类八个标准的胎儿心声图.
• 使用梯度加权类激活映射 (Grad-CAM) 来实现模型可解释性和决策过程的可视化.

主要成果:

• 基于ConvNeXt的模型以97.78%的整体测试准确度和96.08%的F1分数获得了最高的性能.
• 大多数观点都以超过95%的准确度被分类.
• 图像质量具有统计学上显著的影响 (P<0.001),但仍在临床上可接受的范围内;该模型确定了临床上相关的特征.

结论:

• CNNs显示出对胎儿心声图视图的准确和高效的自动分类有很大的潜力.
• 这种人工智能驱动的方法可以简化胎儿心脏查,并支持心脏病的诊断.
• 该研究强调了AI在改善产前诊断准确性的临床应用.