一个新的双模态双视图混合深度学习和机器学习框架,用于通过晚期融合预测动脉斑的脆弱性

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病 心血管疾病

背景情况:

• 超声波成像对于动脉斑块查至关重要,以确定中风风险.
• 现有的研究缺乏人工智能支持的自动分类,使用多模态,多视图超声波对状腺斑块脆弱性的自动分类.
• 这项研究解决了在动脉斑块分析中需要先进AI的需求.

研究的目的:

• 开发和验证一个有效的AI模型,用于状腺斑块脆弱性分类.
• 为了利用双模 (B模式,CEUS) 和双视图 (纵向,横截面) 的超声波设置.
• 为了最大限度地利用超声波成像在中风风险分层中的实用性和潜力.

主要方法:

• 采用混合深度学习 (DL) 和机器学习 (ML) 方法来进行区分和解释.
• 追溯分析了241名患者的B模式超声波 (BMUS) 和对比度增强超声波 (CEUS) 图像.
• 利用拟议的混合DL-ML变体来对状腺斑块进行分类.

主要成果:

• 混合VGG-RF模型,使用双模双视图设置,优于其他配置.
• 实现了最佳性能,AUC为0.908,精度为0.765,召回为0.929,特异性为0.886,F1得分为0.839.
• 识别了BMUS和CEUS图像的长轴视图,作为区分易受伤害的斑块的关键特征.

结论:

• 从双模双视图超声波设置开发的AI模型对状动脉斑块分析有效.
• 混合VGG-RF模型在研究的DL-ML变体中表现出优越的性能.
• 建议对更大的队列进行进一步的前性研究,以验证这些发现.