深度学习技术能够改善超声心动图对主要心脏疾病的检测，3月17日发表在《自然·心血管研究》杂志上的一项研究结果指出。
由加州大学旧金山分校的Geoffrey Tison博士领导的研究团队开发了一种深度神经网络架构，该架构能够同时整合来自多个视频视图的信息。研究团队发现，这种深度神经网络改善了超声心动图检查中影像特征的区分能力。
“这表明，能够同时整合多个成像视图信息的人工智能模型，可以更好地捕捉某些任务中复杂的解剖学和生理学信息，强调了多视角范式在医学影像人工智能中的价值，”Tison及其同事写道。
利用图像或视频数据训练的深度神经网络可以通过分析图像的原始像素和随时间变化的原始视频数据来检测多种疾病。然而，深度神经网络并不像医生那样擅长同时整合多个二维成像视图以准确分析三维结构。
“例如，在心脏超声检查中，可靠的诊断通常取决于跨多个超声视图所包含信息的相互印证，”研究人员写道。
Tison等人开发了他们的专用多视角深度神经网络架构，旨在整合来自多个互补二维成像视图的三维视频信息。这模拟了医生解读三维解剖结构的方式。该深度神经网络架构接受来自多个视图的输入，同时通过专用的深度神经网络层在这些视图之间整合信息。它采用了一种中间融合方法，在中间阶段结合来自每个输入视图的特征。
研究人员使用了来自加州大学旧金山分校和蒙特利尔心脏研究所的超声心动图数据，将他们的深度神经网络方法应用于三个主要任务：检测任何左心室或右心室异常、舒张功能障碍以及严重的瓣膜反流。
在各种任务中，与在任何单一视图上训练的深度神经网络相比，多视角深度神经网络将区分能力（以受试者工作特征曲线下面积衡量）提高了0.06至0.09。
在加州大学旧金山分校的留出测试数据集中，对于所有三个任务，多视角深度神经网络在AUC、敏感性和特异性方面均取得了高分。
多视角深度神经网络在超声心动图发现中的表现
| 测量指标 | 左/右心室异常 | 舒张功能障碍 | 瓣膜反流 |
|---|---|---|---|
| AUC | 0.91 | 0.84 | 0.9 |
| 敏感性 | 81% | 74% | 83% |
| 特异性 | 84% | 78% | 83% |
在外部验证数据集上，多视角深度神经网络在各项任务中取得了以下AUC值：左/右心室异常为0.91；瓣膜反流为0.92；舒张功能障碍为0.79。
研究人员指出，左/右心室异常和瓣膜反流的AUC值与加州大学旧金山分校测试数据集中的深度神经网络性能相当。而舒张功能障碍的结果与加州大学旧金山分校测试数据集相比，显示出“合理的泛化能力，但性能略有下降”。
“如果未来将多视角深度神经网络应用于其他成像模态和疾病，并在多机构环境中得到证实，那么多视角方法为医学影像训练多视角优化的人工智能模型提供了强大的范式，”研究作者写道。
【全文结束】