相关实验视频
一个多阶段的深度学习网络用于产前诊断主动脉缩
Wenhan Wang1, Jiande Wang2, Cheng Zhang1
1School of Instrumentation and Optoelectronics Engineering, Beihang University, Beijing, P.R. China.
Medical physics
|January 14, 2026
概括
一个新的深度学习模型,CoA-Net,通过整合本地和全球特征,改进了对主动脉缩 (CoA) 的产前诊断. 这种先进的方法提高了诊断准确度,帮助临床医生识别这种关键的先天性心脏缺陷.
科学领域:
- 心血管医学 心血管医学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大动脉缩 (CoA) 是一种常见的先天性心脏缺陷,影响胎儿健康.
- 目前通过胎儿心声学进行产前诊断的准确性有限.
- 深度学习提供了从心声回声图像中提取功能改进的潜力.
研究的目的:
- 开发一个深度学习网络 (CoA-Net),用于精确的胎儿CoA的产前诊断.
- 整合本地和全球特征,以提高诊断性能.
- 改进现有的在胎儿心声图中检测CoA的方法.
主要方法:
- 推出了CoA-Net,这是一个多阶段的深度学习网络,具有本地和全球功能提取器.
- 利用轻量级的卷积层,局部注意力和稀疏的全球注意力机制.
- 在488个样本的数据集上使用五倍交叉验证进行验证,并与最先进的方法和临床医生诊断进行比较.
主要成果:
- 与其他网络和临床医生相比,CoA-Net取得了卓越的表现,具有统计学上显著的改善 (p < 0.05).
- 关键指标包括82.63%的平衡精度,68.81%的F1得分,69.73%的MCC和0.867的AUC.
- 废弃性研究证实了本地和全球特征提取物的关键贡献.
结论:
- CoA-Net在胎儿COA诊断方面表现出极好的分类性能.
- 该模型显示了作为临床医生决策支持工具的潜力.
- 它可以为更精确,更可靠的胎儿CoA产前诊断做出贡献.
