摘要
目的
评估一线 echocardiographer 在没有工程支持或专用研究硬件的情况下,是否能够利用人工智能辅助编码、标准部门工作站硬件和常规临床档案 independently 开发出经过验证的五类 echocardiographic 视图分类器。
方法
一名临床医生使用人工智能辅助编码(Kimi 2.6, Moonshot AI)在标准的 Tomtec echocardiographic 分析工作站(Intel Core i7, NVIDIA RTX 4060 8 GB VRAM, 32 GB RAM)上开发了一个流程,该工作站运行 Ubuntu 22.04 LTS 并通过 Windows Subsystem for Linux 2 进行操作。从 1387 张经胸 echocardiograms 中提取了 9796 张 B-mode 平静末期帧。采用批量标注策略:使用 466 张种子图像训练一个过拟合的 EfficientNet-B0 筛选器,该筛选器对 5029 张高置信度标准视图帧进行预分类。这些图像在大约 24 分钟内完成批量审核,最终得到了来自 1242 名患者的 5028 张验证帧,这些帧被划分为训练集(n = 3545)、验证集(n = 731)和内部测试集(n = 752)。然后在主要数据集上训练并评估了一个五类 ResNet-18 分类器,并在另一个外部验证数据集(74 名患者,263 帧)上进行了评估,且无需重新训练。
结果
专家的总体标注时间为 32 分钟。该分类器在内部测试集上的准确率为 98.27%(95% CI: 97.06%–99.08%),宏观 F1 值为 0.9784。在外部验证集上的整体准确率为 71.48%(95% CI: 65.61%–76.86%),宏观 F1 值为 0.7100。胸骨旁短轴和心尖双腔视图具有很强的泛化能力(分别为 100% 和 94.23%),而心尖四腔、心尖三腔和胸骨旁长轴视图由于设备特定的图像处理差异,准确率较低。
结论
在 echocardiography 领域,临床人工智能的开发比传统认为的要容易得多。一名临床医生利用现有硬件和人工智能辅助编码,只需最小的标注工作量就能开发出一个经过验证的视图分类器,为内部定制提供了实用的路径。
数据可用性声明
由于患者隐私要求,无法公开 echocardiographic 图像数据。经相应作者同意后,可提供去标识化的研究代码和评估脚本。


