XiaoMi-AI文件搜索系统
World File Search Systemechocardiography
超声心动图的CMR深度学习预测
保留所有权利。未经许可就不允许重复使用。（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以永久显示预印本。此预印本版的版权持有人于2024年4月22日发布。 https://doi.org/10.1101/2024.04.16.24305936 doi：medrxiv preprint
使用电子健康记录和超声心动图
研究人群和数据来源雷恩大学医院中心（RUHC）的EHOP临床数据仓库（CDW）包含临床笔记，药物处方，实验室测试和行政数据。6，7它还包括使用法国版本的国际疾病分类（ICD-10）编码的诊断。使用这项技术，可以将Ruch的种群筛选为患有HFPEF的患者。根据其医生的报告，将患者定义为具有HFPEF（这些是SUP提出的用于应用指南的定义）。然后，我们将这些患者的单个EHR数据进行了分析。此外，还提供超声心动图数据。我们专注于2017年1月至2018年12月之间的每个记录。
接受超声心动图检查的 608,570 名男性和女性中度和重度二尖瓣反流相关的死亡率
摘要 背景 尽管严重二尖瓣反流 (MR) 的预后意义已得到充分认识，但对于中度 MR，预后意义尚不明确。因此，我们在澳大利亚国家超声心动图数据库的大型队列中探讨了中度和重度 MR 对预后的影响。方法 使用自然语言处理检查了 608 570 名个体的超声心动图报告，以确定 MR 严重程度和瓣叶病理。对于未报告瓣叶病理的患者，评估了心房 (aFMR) 或心室 (vFMR) 功能性 MR。使用中位 1541 天（IQR 820 至 2629）的个人数据链接，我们检查了 MR 严重程度与全因（153 612/25.2% 事件）和心血管相关死亡率（47 840/7.9% 事件）之间的关联。结果 共纳入 319 808 名男性和 288 762 名女性，年龄为 62.1±18.5 岁，其中 456 989 人（75.1%）、102 950 人（16.9%）、38 504 人（6.3%）和 10 127 人（1.7%）在最后一次超声检查中报告无/轻微、轻度、中度和重度 MR。与无/轻微 MR 患者（26.5% 有瓣叶病变，19.2% 死亡）相比，瓣叶病变（分别为 51.8% 和 78.9%）和实际 5 年全因死亡率（分别为 54.6% 和 67.5%）随 MR 严重程度增加而增加。在调整后（年龄、性别和瓣叶病理），中度和重度 MR 病例的长期死亡率是无/轻微 MR 的 1.67 倍（95% CI 1.65 至 1.70）和 2.36 倍（95% CI 2.30 至 2.42）（p<0.001）。中度和重度 MR 的预后模式在心血管相关死亡率和预先指定的亚组（瓣叶病理、vFMR 或 aFMR 和年龄<65 岁）内持续存在。结论在一个大型现实世界临床队列中，我们确认保守治疗的严重 MR 与不良预后相关。我们进一步揭示，无论潜在病因如何，中度 MR 与死亡率增加有关。试验注册澳大利亚新西兰临床试验注册中心（ACTRN12617001387314）
使用二维斑点追踪超声心动图评估扩张型心肌病猎犬的心肌功能：一项初步研究
犬扩张型心肌病 (DCM) 的早期诊断因无症状期延长而变得复杂，因此对心肌功能进行全面评估至关重要。这项初步研究旨在使用二维斑点追踪超声心动图 (2D-STE) 评估患有 DCM 的狗的心肌功能。使用标准超声心动图和 2D-STE 对 9 只患有 DCM 的顾客拥有的猎犬和 12 只临床正常的顾客拥有的猎犬进行了比较评估。与临床正常的狗相比，患有 DCM 的狗的特点是左心室 (LV) 明显扩张、LV 壁变薄和心肌运动减退。整体应变分析显示，径向和圆周方向的应变均显著降低，局部应变分析显示，患有 DCM 的狗在圆周方向上 LV 游离壁的心肌功能障碍程度更大。局部应变分析还显示患有 DCM 的狗和临床正常的狗之间的收缩模式存在差异。这项研究的结果说明了 2D-STE 评估 DCM 犬的整体和局部心肌功能的能力，并显示了 DCM 犬和临床正常犬之间的差异。
使用超声心动图的可解释的机器学习来改善慢性冠状动脉综合征患者的风险预测
如果连续CC患者在2015年至2017年间参加AMC AMC的门诊诊所，并对LV功能进行了TTE评估，则将其回顾性收集。对极端梯度提升（XGBoost）模型进行了训练，以预测全因5年死亡率。使用来自阿姆斯特丹UMC位置VUMC的数据评估了该ML模型的性能，并将其与传统风险评分的参考标准进行了比较。包括1253例患者（775例培训组和478次测试集），其中176例患者（105例培训组和71次测试集）在5年的随访期内死亡。与传统的风险分层工具（AUC 0.62-0.76）相比，ML模型表现出卓越的性能[接收器操作特征曲线（AUC）0.79]的表现出色，并且表现出良好的外部性能。ML模型中包含的最重要的TTE风险预测因子是LV功能障碍和明显的三尖端反流。
使用超声心动图的可解释的机器学习来改善慢性冠状动脉综合征患者的风险预测
如果连续CC患者在2015年至2017年间参加AMC AMC的门诊诊所，并对LV功能进行了TTE评估，则将其回顾性收集。对极端梯度提升（XGBoost）模型进行了训练，以预测全因5年死亡率。使用来自阿姆斯特丹UMC位置VUMC的数据评估了该ML模型的性能，并将其与传统风险评分的参考标准进行了比较。包括1253例患者（775例培训组和478次测试集），其中176例患者（105例培训组和71次测试集）在5年的随访期内死亡。与传统的风险分层工具（AUC 0.62-0.76）相比，ML模型表现出卓越的性能[接收器操作特征曲线（AUC）0.79]的表现出色，并且表现出良好的外部性能。ML模型中包含的最重要的TTE风险预测因子是LV功能障碍和明显的三尖端反流。
通过深度学习应用于超声心动图
1电气和计算机工程系，德克萨斯大学奥斯汀，美国德克萨斯州奥斯汀； 2耶鲁大学医学院内科医学系心血管医学部，美国纽黑文市锡达街333号，美国康涅狄格州06520-8056； 3美国德克萨斯州大学车站，得克萨斯农工大学计算机科学与工程系； 4美国康涅狄格州纽黑文教堂5楼195 Church St 5楼的耶鲁 - 新避风港医院研究与评估中心； 5耶鲁大学医学院生物医学信息学和数据科学部分，美国康涅狄格州纽黑文； 6美国加利福尼亚州旧金山旧金山大学医学系； 7美国加利福尼亚州旧金山旧金山退伍军人事务中心心脏病学系； 8美国加利福尼亚州洛杉矶锡奈医学中心Smidt Heart Institute心脏病学系； 9美国加利福尼亚州洛杉矶的Cedars-Sinai Medical Center的医学人工智能司； 10美国康涅狄格州纽黑文市耶鲁大学公共卫生学院卫生政策与管理部；和11耶鲁大学公共卫生学院生物统计学系的健康信息学部分，美国康涅狄格州纽黑文市街60号1电气和计算机工程系，德克萨斯大学奥斯汀，美国德克萨斯州奥斯汀； 2耶鲁大学医学院内科医学系心血管医学部，美国纽黑文市锡达街333号，美国康涅狄格州06520-8056； 3美国德克萨斯州大学车站，得克萨斯农工大学计算机科学与工程系； 4美国康涅狄格州纽黑文教堂5楼195 Church St 5楼的耶鲁 - 新避风港医院研究与评估中心； 5耶鲁大学医学院生物医学信息学和数据科学部分，美国康涅狄格州纽黑文； 6美国加利福尼亚州旧金山旧金山大学医学系； 7美国加利福尼亚州旧金山旧金山退伍军人事务中心心脏病学系； 8美国加利福尼亚州洛杉矶锡奈医学中心Smidt Heart Institute心脏病学系； 9美国加利福尼亚州洛杉矶的Cedars-Sinai Medical Center的医学人工智能司； 10美国康涅狄格州纽黑文市耶鲁大学公共卫生学院卫生政策与管理部；和11耶鲁大学公共卫生学院生物统计学系的健康信息学部分，美国康涅狄格州纽黑文市街60号
一种基于学习的深度学习方法，用于带有超声心动图中七个标准视图的小儿先天性心脏病检测
临床数据汇总和计算资源的演变的抽象背景，基于人工智能的方法已成为促进临床诊断的可能性。对于先天性心脏病（CHD）检测，最近基于深度学习的方法倾向于以很少的观点甚至单一的视图来实现分类。由于CHD的复杂性，深度学习模型的输入图像应涵盖心脏的尽可能多的解剖结构，以增强算法的准确性和鲁棒性。在本文中，我们首先提出了一种基于七种冠心病分类视图的深度学习方法，然后用临床数据对其进行验证，其结果表明了我们方法的竞争力。方法总共选择了1411名儿童医院医院医学院的儿童，并获得了超声心动图视频。然后，从每个视频中选择了七个标准视图，这些视图用作深度学习模型的输入，以在训练，验证和测试后获得最终结果。导致测试集，当输入合理类型的图像类型时，曲线下的面积（AUC）值可能达到0.91，精度可能达到92.3％。在实验过程中，剪切转化被用作干扰我们方法的感染抗性。只要输入适当的数据，即使应用人工干扰，上述实验结果也不会显然波动。结论这些结果表明，基于七个标准超声心动图视图的深度学习模型可以有效地检测儿童中的冠心病，并且这种方法在实际应用中具有相当大的价值。
使用深度神经网络对经食管超声心动图图像中的左心室进行分割
胸外按压是心肺复苏 (CPR) 期间促进全身循环的主要手段。最佳胸外按压可使心脏骤停患者获得良好的复苏效果。尽管最近的 CPR 指南建议使用实时反馈设备来在复苏期间维持高质量的 CPR，但它很少与良好的复苏效果相关[1-3]。原因之一可能是未监测胸外按压的位置。先前基于胸部计算机断层扫描的研究还发现，目前建议的胸外按压位置太高，无法有效压迫左心室 (LV) [4,5]。经食道超声心动图 (TEE) 被认为是一种很好的方法，可用于识别心脏骤停的可纠正原因以及监测 CPR 质量和位置[6-8]。它还可以在复苏期间不中断胸外按压的情况下识别受外胸按压的心脏结构[9]。因此，我们可以从心脏骤停患者 TEE 图像中评估胸外按压的准确位置和外部胸外按压产生的收缩功能。这可能验证 CPR 期间促进左心室收缩功能的最佳胸外按压方法[10-12]。分割左心室对于确定胸外按压的位置和获得心脏功能定量评估指标（如舒张末期容积、收缩末期容积、面积和射血分数）是必不可少的。人们进行了许多尝试来分割左心室。Noble 等[13]基于轮廓跟踪方法，采用了基于卡尔曼滤波器的心外膜和心内膜边界跟踪系统。Bosch 等[14]将边界检测的主动外观模型改进为主动外观运动模型，可实现全自动、强大且连续的左心室检测。大多数心脏图像，如超声波图像和核磁共振成像（MRI），都有模糊的边界和严重的噪声；因此，分析这些图像需要时间，而且结果可能因人而异。人工神经网络已被提出，因为它们提供了很高的分析精度，并使医学图像的泛化成为可能[15，16]。Smistad 等人[17]建议使用 U-Net [18] 的深度卷积神经网络进行 LV 分割模型，它由一个编码器-解码器组成，在生物医学图像中显示出鲁棒的分割模型。然而，U-Net 并没有考虑所有语义特征在解码过程中的贡献。因此，Moradi 等人[19]开发了一种改进的 U-Net，称为多特征金字塔 U-Net，其中通过在 U-Net 解码器路径的所有级别上链接特征图来补充特征。然而，现有的方法有一个局限性，即它们无法识别阴影和 LV 之间的模糊边界。此外，由于胸外按压，CPR 期间获取的 TEE 图像比正常超声心动图噪声更大。我们通过应用残差特征聚合方法和各种注意技术开发了基于 U-Net 的网络。我们的模型不仅展示了使用挤压和激励块以及残差块的强大特征提取技术，而且还关注更重要的特征。工作流程如图 1 所示。下一节描述了数据组织、深度学习的数据增强技术以及我们模型的结构。
通过超声心动图测量的心脏微观结构改变确定性别特定的心力衰竭风险
抽象目标建立的心力衰竭（HF）风险的临床前成像评估基于宏观结构心脏重塑。鉴于微观结构改变也可能影响HF风险，尤其是在女性中，我们检查了微观结构改变与事件HF之间的关联。我们研究了n = 2511名成年参与者（平均年龄65.7±8.8岁，56％的女性），他们在基线时没有心血管疾病。，我们基于高频谱信号强度系数（HS-SIC）对超声心动图的纹理分析来量化微结构变化。我们检查了其与性行为和性别特定的COX模型的关系，这些模型涉及传统的HF风险因素和宏观结构的改变。结果我们观察到94个新的HF事件在7。4±1.7岁以上。HS-SIC较高的个体患有HF的风险增加（HS-SIC中的HR 1.67，95％CI 1.31至2.13； P <0.0001）。调整年龄和降压药的使用，这种关联在女性中很重要（p = 0.02），但没有男性（p = 0.78）。调整传统危险因素（包括体重指数，总/高密度脂蛋白胆固醇，血压特征，糖尿病和吸烟）减弱了女性的关联（HR 1.30，P = 0.07），并在这些风险因素的主要方面看到HS-SIC的HF风险中介。然而，除了这些危险因素外，调整了相对壁厚（代表宏观结构改变）后，女性中与HF的HF与HF的关联（HR 1.47，p = 0.02）仍然显着。结论心脏微结构改变与HF的风险升高有关，尤其是在女性中。微观结构改变可能会识别个人从风险因素到临床HF的发展的性别途径。