一种灵活的深度学习框架,用于自动分析二维超声心动图

《npj Cardiovascular Health》:A view-flexible deep learning framework for automated analysis of 2D echocardiography

【字体: 大 中 小 】 时间:2026年04月02日 来源:npj Cardiovascular Health

编辑推荐:

  问题三:摘要翻译 传统上,超声心动图需要经验丰富的操作员从特定视角选择和解读剪辑。因此,通常由新手用户采集的手持心脏超声(HCU)在临床决策方面受到限制。在本研究中,研究人员开发了一种视角灵活的深度学习框架,用于从包含左心室的多个视角中的任意一个来估算左心室射

  
问题三:摘要翻译 传统上,超声心动图需要经验丰富的操作员从特定视角选择和解读剪辑。因此,通常由新手用户采集的手持心脏超声(HCU)在临床决策方面受到限制。在本研究中,研究人员开发了一种视角灵活的深度学习框架,用于从包含左心室的多个视角中的任意一个来估算左心室射血分数(LVEF)、患者年龄和性别。模型表现如下:(1)在回顾性经胸超声心动图(TTE)数据集中表现持续强劲;(2)前瞻性HCU与TTE相比具有可比性(625名患者;LVEF r20.80 vs. 0.86,LVEF [> 或 ≤40%] AUC 0.981 vs. 0.993,年龄 r20.85 vs. 0.87,性别分类 AUC 0.985 vs. 0.996);(3)专家与新手用户采集的前瞻性HCU数据具有可比性(100名患者;LVEF r20.77 vs. 0.64,LVEF AUC 0.983 vs. 0.968)。这种方法通过减少对图像采集用户专业知识的需求,可能扩大超声心动图的临床效用。

问题四:论文解读

研究背景与目的
超声心动图是心脏病学的基础诊断工具,但其传统应用严重依赖于操作人员对特定视角(View)的精细选择及解读经验。这种依赖性导致了评估的可变性,并限制了分析范围。此外,全球范围内训练有素的超声技师短缺,导致经胸超声心动图(TTE)检查存在显著延迟。手持心脏超声(HCU),又称床旁超声(POCUS),通常在护理点由训练有限的人员操作,其图像质量和解读因操作者经验差异而更具变异性。为解决这些挑战,本研究旨在引入并验证一种成像方法,消除对特定视角超声心动图的传统要求,使数据可由极少培训的用户采集。研究人员假设,通过利用使用多种TTE视角训练的先进卷积神经网络,可以分析来自任何包含左心室的二维视角的超声心动图数据(TTE或HCU)。
关键技术方法
本研究使用了来自梅奥诊所(Mayo Clinic)及外部合作机构的多个回顾性和前瞻性数据集,涵盖TTE和HCU模态。研究人员采用了改进的S3D模型架构,输入为单通道灰度图像,通过迁移学习分别训练了LVEF估算、年龄估算及性别分类模型。数据处理流程包括DICOM预处理、识别超声成像扇区、去除心电图迹线以及使用视图分类器筛选包含左心室的有效类别剪辑(如胸骨旁长轴、心尖两腔、三腔及四腔心)。训练过程中应用了随机旋转、高斯模糊、中心裁剪、随机裁剪和水平翻转等数据增强技术以提高模型泛化能力。模型性能通过均方根误差(RMSE)、平均绝对误差(MAE)、皮尔逊相关系数(r)、决定系数(r2)以及受试者工作特征曲线下面积(AUC)等指标进行评估。
研究结果
样本特征
用于模型开发和评估的患者人口统计学及临床特征显示,模型开发数据集的平均LVEF低于评估数据集,这是因为开发集特意富集了中低LVEF段的患者。不同地区的数据集在人口统计学特征和合并症方面存在差异。
TTE的左心室射血分数估算
研究人员在明尼苏达-威斯康星、亚利桑那、佛罗里达以及公开的EchoNet数据集上评估了LVEF回归模型。结果显示所有数据集表现均强劲,Bland-Altman分析表明至少90%病例的模型估算值与临床计算值差异小于10%。通过分析不同数量剪辑的效果发现,随着有效剪辑数量的增加,中位RMSE和MAE降低,而中位r2和AUC升高。此外,无论选择何种特定视图组合,只要剪辑数量恒定,模型性能未受系统性影响,证实了模型的视角灵活性。Grad-CAM热图可视化显示,模型注意力主要集中在左心室结构上。
HCU的左心室射血分数估算
在梅奥-罗切斯特的同时采集TTE-HCU数据集以及UltraSight Ltd.收集的外部数据集中评估模型。结果显示,TTE与HCU在LVEF估算和分类(降低与正常)方面结果非常可比。在专家与新手用户采集的HCU数据对比中,仅在5%的病例中,新手与专家采集剪辑的模型估算LVEF差异大于10%,证明了模型在非专家操作下的鲁棒性。
年龄估算与性别分类
年龄估算显示出极强的相关性,且HCU与TTE估算的年龄差异极小。性别分类模型表现优异,AUC均大于0.981,且HCU与TTE检查的ROC曲线几乎重叠。
讨论与结论
本研究创建的AI框架利用卷积神经网络实现了视角灵活性,能够可靠地推导临床重要参数——LVEF,其准确性与人类心脏病专家相当。此外,该框架还能提取超出专家可读范围的信息(如年龄和性别),显示了其扩展心脏超声能力的潜力。与以往需要特定视图或中间分割步骤的深度学习模型不同,本研究的模型无需分割,且成功应用于HCU及多视图分析。局限性包括训练队列在种族和民族多样性上的不足,以及HCU数据主要在受控环境下采集。未来工作需纳入更广泛的人口统计数据,并继续优先提高模型的可解释性以建立临床信任。综上所述,这种视角灵活的方法减少了对图像采集用户专业知识的需求,有望使超声心动图成为一种更广泛可用和实用的临床工具。
相关新闻
生物通微信公众号
微信
新浪微博

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