机构名称：
¥ 1.0
目标：超声心动图（ECG）是用于诊断心力衰竭（HF）的最常见方法。但是，其准确性取决于操作员的经验。此外，数据的视频格式使患者将他们引用和重新检查的挑战。因此，本研究使用了一种深度学习方法来帮助医生评估心脏功能，以促进超声心动图发现的标准化以及动态和静态超声数据的兼容性。Methods: A deep spatio-temporal convolutional model r2plus1d-Pan (trained on dynamic data and applied to static data) was improved and trained using the idea of “regression training combined with classification application,” which can be generalized to dynamic ECG and static cardiac ultrasound views to identify HF with a reduced ejection fraction (EF < 40%).此外，还建立了三个独立数据集，其中包含8976个心脏超声视图和10085心脏超声视频。随后，标记了EF的跨国多中心数据集。此外，还进行了模型培训和独立验证。最后，在三家专门从事心血管疾病的区域医院的注册超声波检查员和心脏病专家招募了不同的工作年度，以比较结果。结果：拟议的深时时空卷积模型在接收器操作特征曲线（AUC）值下达到了0.95（95％置信区间[CI]：0.947至0.953），在动态超声数据的训练集上，AUC的训练集和1（95％CI，1至1至1）的训练集在独立效力集上。结论：随后，该模型被应用于静态心脏超声视图（验证集），同时输入相同心脏的1、2、4和8图像，分别分类的精度分别为85％，81％，93％和92％。在静态数据上，人工智能（AI）模型的分类准确性与超过3个工作年度的超声检查员和心脏病专家的最佳性能相当（p = 0.344），但明显优于中位数水平（p = 0.0000008）。
心力衰竭的广义深度学习模型...
主要关键词
相关文件推荐
