评估人工智能细分模型的稳定性,用于跨心脏表现型的定量心血管磁共振成像

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 心血管磁共振 (CMR) 对于评估心脏功能和组织特征至关重要.
• 用于CMR分析的手动细分是耗时的,并且受观察者之间的变化影响.
• 需要自动化细分工具来提高临床实践的效率和一致性.

研究的目的:

• 介绍和评估Nick,一个基于人工智能的算法,用于自动化CMR细分.
• 评估尼克在量化左和右心室功能和参数映射 (T1/T2放松时间) 中的准确性.
• 为了验证尼克在多中心环境中跨多种心脏表现型的表现.

主要方法:

• 在359个多中心CMR病例 (1.5T和3T) 中,Nick与手动黄金标准 (GS) 分段进行了比较.
• 该数据集包括104名健康个人和255名患有各种心脏病理的患者.
• 分析包括对心室体积的量化,LV质量,射出分数和T1/T2映射值的量化,使用像布兰德-阿尔特曼分析这样的统计比较.

主要成果:

• 尼克在心室体积 (R2≥0.93) 和LV质量 (R2=0.86) 方面与GS表现出高度一致.
• 射出分数相关性是R2=0.85 (LV) 和R2=0.72 (RV),平均差异很小.
• T1和T2映射显示出极好的一致性 (R2≥0.92),偏差最小,所有指标的临床可接受偏差.

结论:

• 人工智能算法Nick在为常规临床应用细分CMR图像方面表现出强的性能.
• 尼克提供了对心脏功能的准确量化和对各种病理的参数映射.
• 这些发现支持将Nick纳入临床工作流程以进行高效的CMR分析.