通过人工智能驱动的自动化应变分析来评估左心室功能和估计心脏病发作区域的纵向应变.

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 针对急性心肌梗塞 (AMI) 的心声扫描在准确评估左心室 (LV) 功能障碍和心脏病发作方面面临挑战,原因是主观分析.
• 需要标准化,定量方法来克服传统心声回声评估中的变化.

研究的目的:

• 验证人工智能 (AI) 驱动的自动应变框架,用于在AMI中标准化量化心肌变形.
• 评估AI衍生的菌株参数与心肌损伤的临床生物标志物的相关性.

主要方法:

• 对102名AMI患者和90名对照患者的回顾性分析,使用2D斑点跟踪回声心脏学.
• 一个ResNet-18AI模型被用于全球/区域纵向菌株 (LPSS) 量化和心脏病发作局部化通过双任务学习.
• 训练涉及两个阶段的优化与实时数据增强;统计分析与LV射出分数 (LVEF),心脏热素T (cTnT) 和ST段升高相关联.

主要成果:

• 人工智能衍生的全球LPSS与LVEF有很强的相关性 (r = -0.609,p < 0.001),表现优于墙壁运动得分指数.
• 心脏病发作区域的LPSS与cTnT (r = 0.671,p < 0.001) 和ST升高 (r = 0.321,p = 0.001) 的相关性最强.
• 复制性通过布兰德-阿尔特曼分析得到证实 (观察者内部偏差:0.7%±1.2%;观察者间:1.1%±3.1%).

结论:

• 人工智能驱动的菌株分析为AMI中的LV功能评估提供了一种标准化的方法.
• 人工智能框架提供了与酶和电生理学损伤标记的定量相关性.
• 人工智能对心脏病的局部化和补偿机制的检测支持AMI管理中的临床决策.