在儿科和先天性心脏病中基于深度学习的自动心声测量

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:

• 心声回声 (回声) 在儿科心脏病学中至关重要,但全球缺乏专家口译人员,特别是在农村和低资源地区.
• 目前用于儿科和先天性心脏病 (CHD) 的回声测量的AI开发不足,限制了专家级准确性和标准化.

研究的目的:

• 开发和验证EchoFocus-Measure,这是一个人工智能平台,用于在儿科心声学中进行全面的自动测量.
• 评估平台在不同患者群体和先天性心脏病的准确性和可靠性.

主要方法:

• 开发了EchoFocus-Measure,这是一个使用多任务,视图不可知架构 (PanEcho) 的AI平台,配有研究级变压器.
• 在波士顿儿童医院 (BCH) 的217,435个回声中培训和内部测试该平台,在3,096个转诊研究中进行外部验证.
• 基于定量参数 (例如,左心室喷射率 - LVEF) 和定性评估的评估性能,与人类的可变性进行比较.

主要成果:

• 通过EchoFocus-Measure实现了高精度的LVEF,内部绝对误差 (MAE) 中位数为2.8%,外部误差为3.8%.
• 该平台在婴儿 (MAE 3.2%) 和复杂的CHD (例如,L-循环转换MAE 4.0%) 中保持了准确性,超过了以前的基准.
• 定性评估显示了强大的内部表现 (AUROC 0.88-0.95) 和适度的外部表现 (AUROC 0.73-0.86).

结论:

• EchoFocus-Measure为患有各种疾病的儿科患者提供快速,可靠的自动化心声回声仪测量.
• 人工智能平台展示了可扩展,全球访问高质量的儿科心血管护理的潜力.
• 可解释性分析证实了该模型的重点是针对临床相关的回声视图进行准确的测量.