为了规范用深度学习算法进行两端到两端的 mitra transcatheter 修复:一个全面的多模型战略
Silvia Corona1, Théo Godefroy2, Olivier Tastet2
1Structural Heart Valve Center, Montreal Heart Institute, Montreal, QC, Canada.
Frontiers in network physiology
|December 11, 2025
概括
人工智能算法可以使用心声图标准化对使用心声图的中枢管过导管边缘到边缘修复 (M-TEER) 的评估. 这项技术有助于评估严重的中枢反,改善医疗中心的一致性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 严重的 mitra 反 (MR) 需要进行彻底的评估以获得有效的治疗.
- 胸外心声学 (TTE) 和食道心声学 (TEE) 对于评估MR严重程度和指导干预资格至关重要.
- 伴膜透气管边缘到边缘修复 (M-TEER) 指示依赖于门和亚门结构的详细分析.
研究的目的:
- 开发和验证人工智能 (AI) 算法,以使用TTE和TEE标准化M-TEER资格评估.
- 支持MR评估的所有诊断阶段,从初始诊断到M-TEER程序规划.
- 协助具有不同专业水平的中心管理严重的MR.
主要方法:
- 开发了三种使用M-TEER患者心声图数据的深度学习算法.
- ECHO-PREP:受过培训,在TTE和TEE考试中对诊断图像质量进行分类.
- 4D TEE细分用于自动化中枢面积 (MVA) 量化和2D TEE中枢结构的级细分.
主要成果:
- 在TTE (95.7%) 和TEE (91%) 视图分类中实现了高精度的ECHO-PREP.
- 4D细分显示出与手动MVA测量 (R = 0.84) 和差异化M-TEER候选项 (p = 0.046) 的优异一致.
- 两维贝级分析表明可行性,在11个解剖结构中,平均子得分为0.534分.
结论:
- ECHO-PREP为MR评估提供了一个可行的AI辅助工作流,集成质量控制,量化和解剖学解释.
- 人工智能有可能使M-TEER资格评估标准化,并减少观察者之间的变化.
- 开发的AI工具可以为临床医生管理严重的MR提供宝贵的决策支持,无论中心的专业知识如何.


