XiaoMi-AI文件搜索系统
World File Search System心动图
风湿性心脏病的超声心动图筛查
急性风湿热（ARF）的发病率最常影响A组链球菌（GAS）感染5-15岁的儿童，全球每10万人的范围为8至51人。风湿性心脏病（RHD）发生在ARF患者不接受或未定期预防的情况下发生，是低收入国家儿童和年轻人的非征收心脏病的最常见原因。及时治疗气体感染可以预防ARF，而青霉素预防可以防止ARF复发。辅助预防伴苯甲胺青霉素G已显示出降低RHD的发生率，并且是RHD控制的关键方面。确定RHD预后的最重要因素是心脏受累的严重程度。尽管在没有后遗症的疾病的急性阶段，大约70％的心脏炎患者中的患有心脏炎，但心脏炎很重要，因为它是导致后遗症的唯一ARF并发症。三分之一的ARF患者无症状。患有轻度复发性ARF症状和无声RHD症状的患者，如果他们不接受二次预防治疗，则在5 - 10年内会在5 - 10年内发育严重。应该建立一个新的筛查程序，以防止中等和高风险种群中ARF的心脏病性。在本研究中，我们检查了RHD的超声心动图筛选程序的适用性。
人工智能在超声心动图实验室中的强大功能
在我们的实验室，我们从心尖视图的三平面图像开始成像。三平面图像本质上是三个不同角度的同步图像，在同一心跳中提供四腔、二腔和三腔视图。这使我们能够可视化和访问心壁的各个方面，检测壁运动异常，并使用 AFI 包测量整体纵向应变。它还通过 AI 视图识别和自动轮廓绘制提供双平面射血分数，并且速度很快。除此之外，三平面视图还使我们能够评估图像质量并立即确定我们是否需要回声对比，并可以提前开始规划。当我告诉人们这一点时，他们会说，“你为什么从那个 [视图] 开始？” 我说，“那么，我们为什么要从胸骨旁长轴开始？”
压力超声心动图在心肌缺血评估中的作用
应力超声心动图（ECG）是一种常用的方式，用于检测和评估缺血性心脏病（IHD）。其非侵入性的性质使其成为更可靠的诊断工具。这种方式通过运动或药理学剂诱导心肌压力。由运动压力测试引起的压力超声心动图比药理压力测试更重要，因为其发现讲述了患者的运动能力，这在预后很重要。因此，如果患者可以运动，这是首选的应力方式。此外，它的无辐射性质使其成为具有其他压力成像技术禁忌症的个体的首选选择，并且还减少了与其他心脏成像方式相关的并发症。可以通过比较应力超声心动图术后心率和心电图的发现，可以准确评估临床条件。应力超声心动图的分析是通过对心肌收缩性和区域壁运动异常的视觉精确评估来完成的。这种方式在当前的技术和使用图像增强剂的情况下，在必要时使用图像增强剂显示出了出色的结果。它也可以识别心肌缺血的位置。压力超声心动图具有较高诊断准确性，风险分层能力和成本效益的大量患者的变化，具有巨大的潜力。
具有药理学（多巴达胺）应力超声心动图
♥您将被带入一个黑暗的房间。您经过考试时通常会在场 - 医生，护士或助手。♥您将被要求脱下腰部，穿上应该敞开的礼服。您将被要求躺在左侧的沙发上。♥贴纸将连接到您的胸部并连接到Echo机器。这些将用于监测您的心律。在整个测试过程中，还将定期检查您的血压。♥套管（塑料管）将放在您的手臂上。该药物将通过套管注入，以使心脏更加努力。在发生这种情况时，医生或生理学家将使用覆盖有一些凝胶的超声探针为您的心脏拍照，并轻轻放在您的胸部。♥在测试期间，医生可能需要将对比剂（染料）注入手臂的套管，以帮助提高记录的图片的质量。♥当您的心脏足够努力工作时，医生将停止药物。您将继续受到监控，直到压力医学的影响消失。这可能需要几分钟。♥总体而言，压力回声大约需要45分钟到1小时才能完成。在超声心动图
使用超声心动图放射线特征和机器学习算法
由心肌中的铁沉积引起的抽象心力衰竭是β-丘脑贫血患者死亡率的主要原因。心脏磁共振成像（CMRI）T2*是用于检测心肌铁超负荷的主要筛选技术，但固有地存在一些局限性。在这项研究中，我们的目的是根据从超声心动图图像中提取的放射性特征和机器学习（ML）在具有正常左心室放射率（正常左心室放射率（LVEF）正常的左心室放射率（LVEFF> 55％）中提取的放射性特征（LVE> 55％）的患者，基于放射性图像图像和机器学习（ML）提取的放射性特征（ML）基于放射性图像和机器学习（ML）的放射性特征（LVE> 55％）中的放射性特征（由T2*CMRI检测）分开了β-核铁无症患者与没有心肌铁超负荷的患者。在91例病例中，有44例患有正常LVEF（> 55％）和T2*≤20ms的患者，其中包括对照组，其中47例LVEF> 55％和T2*> 20 ms的患者包括在研究组中。放射线特征。然后，使用了三种特征选择（FS）方法和六个不同的分类器。使用各种指标评估模型，包括ROC曲线（AUC）下的面积，准确性（ACC），灵敏度（SEN）和特异性（SPE）。Maximum relevance-minimum redundancy-eXtreme gradient boosting (MRMR-XGB) (AUC = 0.73, ACC = 0.73, SPE = 0.73, SEN = 0.73), ANOVA-MLP (AUC = 0.69, ACC = 0.69, SPE = 0.56, SEN = 0.83), and recursive feature elimination-K-nearest neighbors (RFE-KNN) (AUC = 0.65，ACC = 0.65，SPE = 0.64，SEN = 0.65）是ED，ES和ED＆ES数据集中的最佳模型。使用超声心动图图像和ML提取的放射线特征，可以预测铁超载引起的心脏问题。
UCSF心脏超声图计划（超声心动图）
关于UCSF心脏超声图计划，UCSF心脏超声检查计划医疗总监（pg。5）任务说明（pg。5）程序描述（pg。5）计划和目标（pg。6）专业人士（pg。6）行政和教师（pg。6）认证和隶属关系（pg.7）招生信息非歧视（pg。7）招生政策（第8）背景调查和药物筛查（pg。8）选择性入院标准（pg。9）录取要求（pg。9-10）其他录取文件（pg。10）录取程序（pg。10）外国成绩单（pg。10）英语能力（pg。11）重新输入或提取（pg。11）终止政策（pg。11）怀孕政策（pg。11）经济援助信息财政援助（pg。11-12）计划费用，学费和付款计划计划费用（pg。12）学费（pg。12）付款时间表（pg。12）退款政策（pg。13）学术信息联系时间政策（pg。14）向其他学校转移信贷（pg。14）高级位置（pg。14）出勤政策（pg。14）学术诚实政策（pg。14）学生行为守则政策（pg。14）个人日政策（pg。15）化妆时间（pg。15）免除缺席（pg。15）观察到的假期（pg.16）
Echo-Vision-FM：超声心动图视频视频基础模型
背景：超声心动图为心脏健康提供了基本见解，但是它们复杂的多维数据为分析和解释带来了重大挑战。现有用于超声心动图分析的深度学习模型通常严重依赖于监督培训，这限制了它们在不同数据集和临床环境中的普遍性和鲁棒性。目的：开发和评估Echo-Vision-FM（Echo Cardiogram视频视频视频f oundelation M Odel），这是一个自我监督的视频学习框架，旨在预先培训视频编码器，以大规模，未标记的超声心动图数据进行预编码。Echo-Vision-FM旨在产生可靠且可转移的视频表示形式，从而改善超声心动图数据集和临床条件的下游性能。方法：所提出的框架通过掩盖的自动编码技术采用高级自我监督的视频学习，该技术可以压缩视频数据的片段，并通过掩盖非重叠视频补丁来重建完整的视频。不对称的编码器架构架构是此方法的基础。为了进一步增强学习的表示形式，我们介绍了STF-NET，这是一个patial-t emporal f usion Net，该网络整合了视频表示的空间和时间相关性。我们使用MIMIC-IV-ECHO数据集进行了预训练的Echo-Vision-FM，并在多个下游数据集中进行了微调，以进行特定的临床任务，包括形态学价值估计以及心脏功能和疾病的诊断。在回归任务中，Echo-Vision-FM优于最先进的模型，对于LV EF预测，达到平均绝对误差（MAE）为3.87％，R 2的平均误差（MAE）为0.825。结果：Echo-Vision-FM在分类左心室射血分数（LV EF）方面取得了出色的性能，精度为0.905，F1得分为0.941，AUC为0.931。该模型在估计终端施加局和末期量体积方面也有显着改善，R 2值分别为0.782和0.742。合并STF-NET进一步增强了所有任务的性能。结论：我们的结果表明，关于Echocarigon图数据的大规模自学视频学习可以提取可转移和临床相关的特征，超过现有方法。Echo-Vision-FM框架，特别是在包含STF-NET的情况下，显着改善了时空特征的提取，从而提高了一系列心脏参数的预性准确性。Echo-Vision-FM为超声心动图分析提供了可扩展有效的解决方案，并在临床诊断和研究中采用了有希望的应用。
运动压力测试 /压力超声心动图同意... < / div>
在测试的初始阶段，您的心脏电活动和血压将在运动前休息。跑步机将以缓慢的步行速度开始，并以设定的间隔提高其速度和倾斜度，直到达到所需的心率为止。在运动过程中将监测您的心电图和血压以及症状。达到目标心率后，跑步机将停止，并将测量的数据与静止测量的数据进行比较。监视将继续恢复几分钟或根据需要。
使用超声心动图的深度学习对冠状动脉钙的预测
尽管CAC可通过多种基于X射线的成像方式（包括胸部X射线照相和荧光镜检查）可视化，但使用计算机断层扫描（CT）成像的Agatston评分方法最常评估CAC。9尽管从CAC CT中获得的信息潜在有用，但仍然担心患者暴露于电离辐射，不适当使用测试，成本以及发现偶然非心脏发现发现的增加。10–13鉴于这些考虑因素，至少有1个指南机构，美国预防工作组，在2018年得出结论，没有足够的证据正式建议CAC进行心血管风险分层。 14这些局限性也缓解了串行CAC CT进行持续的疾病监测，即使已知CAC进展的速度可提供额外的预后见解。 7，，1510–13鉴于这些考虑因素，至少有1个指南机构，美国预防工作组，在2018年得出结论，没有足够的证据正式建议CAC进行心血管风险分层。14这些局限性也缓解了串行CAC CT进行持续的疾病监测，即使已知CAC进展的速度可提供额外的预后见解。7，，15
HSDreport：使用超声心动图报告进行心音诊断
心音听诊在先天性心脏病的诊断中具有重要意义。然而，现有的心音诊断 (HSD) 任务方法主要局限于几个固定的类别，将 HSD 任务视为一个严格的分类问题，与医疗实践不完全相符，并且只能向医生提供有限的信息。此外，这种方法不利用超声心动图报告，而超声心动图报告是诊断相关疾病的黄金标准。为了应对这一挑战，我们推出了 HSDreport，这是 HSD 的新基准，它要求直接利用从听诊中获得的心音来预测超声心动图报告。该基准旨在将听诊的便利性与超声心动图报告的全面性结合起来。首先，我们为这个基准收集了一个新数据集，包括 2,275 个心音样本及其相应的报告。随后，我们开发了一个基于查询的知识感知转换器来处理这项任务。目的是利用医学预训练模型的功能和大型语言模型 (LLM) 的内部知识来解决任务固有的复杂性和多变性，从而提高方法的稳健性和科学有效性。此外，我们的实验结果表明，我们的方法在检测心音中的关键异常方面明显优于传统的 HSD 方法和现有的多模态 LLM。