XiaoMi-AI文件搜索系统
World File Search SystemEcho
将超声心动图参数与可解释的人工智能集成，以用于基本二尖瓣反流表型的数据驱动聚类
MV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse Tapse
心脏移植中的围手术期经食管超声心动图
心脏移植是对无常规治疗反应的终阶段心脏病的手术治疗的一种重要形式。自1967年的第一次心脏移植以来，由于许多领域的发展，例如器官捐赠，手术技术，器官保存，围手术期护理，免疫风险评估，免疫抑制剂和器官功能的监测，接受者的寿命已大大增加。[1]此外，随着捐助者标准的扩展和某些国家的数据传输的增加，全球心脏移植案件的年数已超过5500。[2]由于这些患者通常有其他疾病，例如慢性肺部疾病和肺部高血压，可用于心肌功能障碍，phisepeacheageal Echocarecar-dio摄影（TEE）可用于评估这些患者的心脏功能。[3]
引用Taksande A，Jameel PA，Rao R，Taksande B，DamkeS。胎儿中心脏异常的患病率诊断为心脏内回声焦点：
ntracardiac回声焦点（ICEF）是由胎儿心脏内部的超声来进行的，其亮度与骨骼的亮度相当。它首先由Schechter等人描述。[1]在1987年，在胎儿心脏的左心室中，它们归因于弦的增厚。通常，焦点没有声阴影，位于乳头肌肉附近或内部。它与房室瓣膜同步移动。在执行基本的回声二维图时，可以在4个腔室视图中可视化它[2]。ICEF最常在左心室中可视化，在右侧或两种情况下较少见。虽然左心室中的一个ICEF是最常见的发现，但经常会看到多个焦点。这些焦点的大小变化，但通常小于6 mm [1，2]。回声局灶性焦点表明对弦和乳头状肌肉的微观量化。回声灶与心脏结构异常和染色体异常越来越多。
使用基于堆栈的CNN-LSTM模型的先天性心脏病检测深度学习技术：一项试验研究
产前干预可以降低产后认真的冠心病患者的风险，但目前的诊断是基于定性标准，这可能导致临床医生之间的诊断差异。目的：使用深度学习模型检测患有低塑性左心脏综合征（HLHS）胎儿的心脏超声（US）视频的形态和时间变化。招募了一小部分健康和13名HLHS患者，并收集了三个妊娠时间点的超声视频。对视频进行了预处理并分段到心脏周期视频，并培训了五个不同的深度学习CNN-LSTM模型（Mobilenetv2，Resnet18，Resnet15，Resnet50，Densenet121和Googlelenet）。最佳表现的三个模型用于开发一种新型的堆叠CNN-LSTM模型，该模型是使用五倍的交叉验证对HLHS和健康患者进行分类的训练。堆叠CNN-LSTM模型的准确性，精度，敏感性，F1得分和90.5％，92.5％，92.5％，92.5％，92.5％和85％的精度，精度，敏感性，F1得分和特异性的准确性，精度，敏感性，F1得分和特异性分别优于其他预先训练的CNN-LSTM模型，分别是视频范围的分类以及90级分类和92。使用超声视频的主题分类分别为92.5％，92.5％和85％。这项研究表明，使用深度学习模型使用超声视频对CHD产前患者进行分类的潜力，该视频可以在临床环境中对疾病的客观评估进行分类。
临床，超声心动图和纵向特征与心力衰竭相关的射血分数
结果：该研究包括1307例HFREF患者中位随访16.3个月（IQR 8.0-30.6）。中位年龄为65岁；男性为68％，而57％是白人。在随访中，有39％（n = 506）开发了HFIMPEF，而61％（n = 801）具有持久的HFREF。多元COX回归模型确定性别，种族合并症，超声心动图和亚位术肽是HFIMPEF的重要协变量（p <0.05）。与持续的HFREF组相比，HFIMPEF组的生存率更好（p <0.001）。超声心动图和实验室轨迹之间的轨迹不同。
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。
超声心动图在评估糖尿病患者心血管疾病中的作用
糖尿病患者高度易受心血管并发症，这与心血管发病率和死亡率直接相关。除了冠状动脉疾病外，糖尿病患者心力衰竭（HF）的风险和患病率的认识越来越大。超声心动图是一种必不可少的诊断方式，通常在患有症状的症状中表现为心血管疾病（CVD），例如呼吸困难或胸痛，以确立或排除症状原因。常规超声心动图参数，例如左心室射血分数，不仅有助于诊断CVD，还有助于确定严重程度，治疗策略，预后和对治疗的反应。超声心脏心肌菌株是一种新型的超声心动图技术，可以在HF症状发生之前检测到心室功能障碍的早期变化。本文旨在回顾超声心动图在评估糖尿病患者中CVD中的作用，以及如何在可疑心脏病患者中使用它。
设计大数据时代的超声心动图
机器学习（ML）和大数据具有逆转性心血管成像的潜力。1在超声心动图中，ML已用于图像增强，查看分类和指导，量身定量甚至诊断。在有或没有ML的情况下，大数据分析可以为越来越多的可扩展结果的研究和质量改进提供动力。机器学习的性能与训练和测试的数据密不可分。1，2此外，有效且有效的数据存储和组织可以对医院系统和患者护理产生显着的好处。3然而，传统的超声心动图图片归档和通信系统（Echo-PAC）未签署以利用临床成像和相关元数据进行大数据分析。从历史上看，超声心动图数据设计仅在支持日常临床操作中所考虑。随着需要快速访问超声心动图数据的需求，并且在整个机构之间大规模访问，当前的数据设计跌至不可接受的短缺。例如，尽管有一致性的陈述，但在制造商中，元数据构成了数字成像和医学（DICOM）成像的通信（DICOM）成像并未达到最佳标准化，并且缺少特定的标签，这些标签极大地有助于数据挖掘，采用和预处理4（图1）。图像的发展受到烧毁的患者健康信息（PHI）的阻碍。在超声计算机上进行的测量并非与制造商之间的回声PAC接缝不可互操作，从而导致在购物车上获得的测量值经常丢失。5数据库
胎儿超声心动图表现的指南和建议：美国超声心动图学会的更新
来自加利福尼亚大学旧金山，加利福尼亚州旧金山大学（A.J.M.-G.，S.P。）;华盛顿儿童国家医院，哥伦比亚特区（M.T.D.）;密歇根大学，密歇根州安阿伯（S.G.）；艾伯塔大学，加拿大艾伯塔省埃德蒙顿（L.H.）;佐治亚州亚特兰大亚特兰大儿童医疗保健（J.K。）；贝勒医学院，德克萨斯州休斯敦（W.L.，S.A.M.）;埃默里大学/佐治亚州亚特兰大亚特兰大的儿童医疗保健（E.M.）；德克萨斯州休斯敦的德克萨斯儿童医院（S.A.M.）;犹他州犹他州犹他州大学（N.M.P.）;加利福尼亚州洛杉矶的洛杉矶儿童医院（J.P.）；杜克大学，北卡罗来纳州达勒姆（N.S.）;英国伦敦的埃维利娜·伦敦儿童医院（J.S.）;杜邦/尼莫斯儿童医院，特拉华州威尔明顿（S.S。）；宾夕法尼亚州费城费城儿童医院（Z.T.）。