一项由临床医生主导的可行性研究,旨在利用标准工作站硬件和常规临床档案对超声心动图图像进行分类

《Echocardiography》:A Clinician-Led Feasibility Study for Echocardiographic View Classification Using Standard Workstation Hardware and Routine Clinical Archives

【字体: 大 中 小 】 时间:2026年10月13日 来源:Echocardiography 1.3

编辑推荐:

   摘要 目的 评估一线 echocardiographer 在没有工程支持或专用研究硬件

  

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。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号