心脏病是全球成人死亡的主要原因，使得心血管疾病的诊断和管理成为全球卫生的优先事项。超声心动图（或称心脏超声波）是医生用来诊断多种心脏疾病和状况最常用的影像工具之一。
大多数标准的超声心动图提供三维心脏解剖结构的二维视觉图像。这些超声心动图通常会捕捉跳动心脏的数百个二维切片或视图，使医生能够对心脏的功能和结构进行临床评估。
为了提高心脏疾病的诊断准确性，加州大学旧金山分校的研究人员着手确定是否可以对深度神经网络（一种人工智能算法）进行重新设计，使其能够同时从多个成像视图中更好地捕捉复杂的三维解剖结构和生理信息。他们开发了一种新的“多视图”方法，使深度神经网络能够同时从多个成像视图中提取信息，而不是目前仅使用单一视图的方法。随后，他们训练了示范性深度神经网络，使用多视图检测三种心血管疾病的疾病状态：左右心室异常、舒张功能障碍和瓣膜反流。
在3月17日发表于《自然-心血管研究》的一项研究中，研究人员比较了分析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单视图或多视图数据的深度神经网络的性能。他们发现，与在任何一个单一视图上训练的深度神经网络相比，在多个视图上训练的深度神经网络提高了诊断准确性，能更好地捕捉这些心脏疾病的疾病状态。
“到目前为止，人工智能主要被用于一次分析一个二维视图——无论是来自图像还是视频——这限制了人工智能算法学习视图间与疾病相关信息的能力，”资深研究作者、心脏病专家、加州大学旧金山分校生物信号研究中心联合主任杰弗里·蒂森医学博士、公共卫生硕士说。“能够跨多个高分辨率视图整合信息的深度神经网络架构，代表着在医学影像中最大化人工智能性能迈出的重要一步。以超声心动图为例，大多数诊断都需要考虑来自多个视图的信息，因为任何单一视图的信息都只讲述了故事的一部分。”
例如，在评估左心室大小或功能时，同时显示心脏所有腔室的超声心动图视图能最好地捕捉某些左心室壁，而另一个垂直的超声视图则能捕捉其他重要的室壁。通常，左心室壁的功能在一个视图中可能看起来完全正常，但在另一个视图中却存在显著的功能障碍。在他们检查的超声心动图任务中，例如识别左右心室异常和舒张功能障碍，研究人员的结果表明，多视图深度神经网络可能学习了每个视图特征之间的相互关联信息，从而实现了更高的整体性能。
“我们的多视图神经网络架构是专门为让模型能够学习多个成像视图中信息之间的复杂关系而设计的，”研究第一作者、加州大学旧金山分校心脏病学系助理教授约书亚·巴里奥斯博士说。“我们发现这种方法提高了超声心动图诊断任务的性能，但这种新的人工智能架构也可以应用于其他包含互补信息的多个视图的医学影像模式。”
研究人员还发现，对三个单视图深度神经网络的预测结果进行平均，其性能优于单一视图的深度神经网络，同时计算成本也更低，因此为训练多视图深度神经网络提供了一种可行的替代方案。然而，相比之下，多视图深度神经网络提供了最强的性能。他们建议，未来的研究应探讨多视图深度神经网络架构如何协助其他医疗任务或影像模式。
其他作者： Minhaj U. Ansari, MS, Jeffrey E. Olgin, MD, Sean Abreau, MS, Jacques Delfrate, MS, Elodie L. Langlais, Robert Avram, MD, MS.
资助： 本研究获得了美国国立卫生研究院的支持：K23HL135274（G.H.T.）、R56HL161475（G.H.T.）和DP2HL174046（G.H.T.）。
披露： 详见研究原文。
关于加州大学旧金山分校健康中心： 加州大学旧金山分校健康中心因其创新的患者护理而享誉全球，体现了最新的医学知识、先进技术和开创性研究。这包括旗舰医院UCSF医疗中心，以及UCSF Benioff儿童医院；两家社区医院：UCSF Health Stanyan和UCSF Health Hyde；Langley Porter精神病医院；UCSF Benioff儿童医师和UCSF教师实践。这些医院是加州大学旧金山分校的学术医疗中心，该大学以其研究生层次的健康科学教育和生物医学研究而闻名世界。UCSF Health与湾区的医院和健康组织有合作关系。在Facebook或Twitter上关注UCSF Health。
【全文结束】