深度学习模型利用胸部 X 光检查心脏病 - 物理世界

超声心动图——心脏的超声波扫描——是评估心脏功能和疾病最常用的成像方式。 然而，这项技术需要专门的技能，而这些技能往往供不应求。 另一种选择是使用胸部 X 光检查，这是最常见和最广泛使用的医学检查之一，主要用于诊断和治疗肺部疾病。 但是，虽然心脏在胸部 X 光照片中可见，但胸部 X 光照片与心脏健康之间的关系却知之甚少。

为了弥补这一差距，由 Daiju Ueda 领导的研究小组 大阪都立大学 开发了一种深度学习模型，该模型使用人工智能来检测瓣膜疾病，并以前所未有的准确度对胸片中的心脏功能进行分类。 研究人员将他们的结果发表在 柳叶刀数字健康.

在单个数据集上训练和测试的深度学习模型可能容易出现过度拟合，其中最终模型仅适用于训练数据集中的图像。 为了防止这种情况发生，Ueda 和同事使用来自四个不同机构的数据开发了他们的模型，其中总共收集了 22,551 张胸片以及从 16,946 名患者收集的相关超声心动图。

研究人员使用来自三个机构的 17,293 张射线照片来训练深度学习模型，另外还使用来自同一地点的 1947 张射线照片作为内部测试数据集。为了进行外部测试，他们使用了来自另一个机构的 3311 名患者的 2617 张 X 线照片。

在使用超声心动图报告将胸部 X 光片标记为真实情况后，研究人员训练他们的模型来学习连接两个数据集的特征。 他们检查了六种类型的瓣膜性心脏病——二尖瓣关闭不全、主动脉瓣狭窄、主动脉瓣关闭不全、二尖瓣狭窄、三尖瓣关闭不全和肺动脉瓣关闭不全——将每种疾病的严重程度分为无、轻度、中度或重度。 他们还将心脏功能的三个指标进行了分类：左心室射血分数、三尖瓣反流速度和下腔静脉扩张。

为了评估深度学习模型的诊断性能，研究人员计算了九个主要分类器的受试者工作特征曲线下面积（AUC）——六种瓣膜性心脏病中每种疾病的非轻度与中度重度的界限，对于内部和外部测试数据集，左心室射血分数的截止值是 40%，三尖瓣反流速度的截止值是 2.8 m/s，内腔静脉扩张的截止值是 21 mm。

研究小组发现，该模型可以利用胸部X光片的信息，准确地对心脏功能和心脏病进行分类，这些信息通常是从超声心动图获得的。 内部测试数据集的主要分类器的总体平均 AUC 分别为 0.89、0.90 和 0.92，外部测试数据集的总体平均 AUC 为 0.87（值接近 1 表示分类效果更好）。

针对外部测试数据集，该模型可以对六种瓣膜性心脏病进行精确分类，AUC范围为0.83至0.92。 用于左心室射血分数分类的 AUC 为 0.92，而用于三尖瓣反流速度和内腔静脉扩张的 AUC 为 0.85。

研究人员写道：“据我们所知，这项研究首次使用来自多个机构的胸片创建并验证了基于深度学习的心脏功能和瓣膜性心脏病分类模型。”

他们指出，与基于超声心动图的心脏病评估相比，该模型具有几个优点。 胸部 X 射线记录简单快捷，模型可以快速应用，计算要求低。 初步实施后，该模型无需任何专业技能即可随时使用。 此外，必要时应该可以使用现有的胸部X光片来提供有关心脏功能的信息，而无需进行额外的测试。

人工智能模型通过常规胸部 X 光检查确定心血管风险

上田在一份新闻声明中表示：“我们花了很长时间才得出这些结果，但我相信这是一项意义重大的研究。” “除了提高医生诊断效率外，该系统还可以用于没有专家的地区、夜间紧急情况以及难以进行超声心动图检查的患者。”

“未来我们希望评估我们的模型在各种临床环境中的实际适用性，”合著者 Shannon Walston 说道 物理世界。 “对于我们来说，了解基于人工智能的模型如何无缝集成到临床工作流程以及它如何有助于改善患者护理至关重要。”

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 汽车/电动汽车， 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 块偏移量。 现代化环境抵消所有权。 访问这里。
• Sumber: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/