基于深度学习的多视图回声心脏图谱框架,用于对心周病的全面诊断

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:

• 周心病的诊断依赖于跨胸心回声学 (TTE),由于操作员的依赖性和功能评估不完整,这有局限性.
• 目前的深度学习 (DL) 模型主要集中在输出检测上,忽视了对心周病谱的全面评估.
• 需要先进的人工智能工具来提高心周病的心声学评估的准确性和范围.

研究的目的:

• 开发和验证基于DL的框架,用于使用TTE对心周病的顺序评估.
• 将形态特征 (溢出,加厚,粘附) 和血液动力学意义集成到单个AI模型中.
• 评估框架在内部和外部数据集上的诊断准确性和概括性.

主要方法:

• 开发了一个DL框架来分析5个B模式TTE视图的形态特征和多普勒/IVC测量血动力学意义.
• 该模型在韩国机构的2253个TTE上进行了训练,并在内部组 (225个TTE) 和独立的外部组 (274个TTE) 上进行了测试.
• 使用诊断准确度和接收器操作特征曲线 (AUC) 下的面积来评估输出,加厚/粘附和血液动力学意义的性能.

主要成果:

• DL框架在输出 (81.8-97.3%内部,80.3-94.2%外部),加厚/粘附 (91.6%内部,94.5%外部) 和血液动力学显著性 (86.2%内部,85.5%外部) 方面实现了高诊断准确度.
• AUC值表现强,内部范围为0.90至0.99,外部范围为0.76至0.98.
• 除了图像质量差之外,对加厚/粘附的敏感性提高了 (66.7%至77.3%) 和血液动力学意义 (68.8%至80.8%).

结论:

• 本研究引入了第一个基于DL的TTE模型,用于全面评估心周疾病,结合形态和功能评估.
• 该框架显示出强大的可通用性和集成到现实世界诊断工作流中的潜力.
• 在解释非最佳心声成像条件的结果时,建议谨慎.