深度学习模型助力先天性心脏病患儿左心室射血分数精准预测

研究人员针对先心病患儿左心室射血分数（LVEF）评估问题，用深度学习模型研究，成果优于传统方法。

　　在先天性心脏病患儿中，收缩功能评估至关重要。与心脏磁共振成像（CMR）这一黄金标准相比，传统超声心动图左心室射血分数（LVEF）估算方法可能会高估收缩功能，在法洛四联症（TOF）患儿中尤其如此。像 EchoNet-Dynamic 这样的深度学习技术能提供更稳定的心脏评估，且有望通过超声心动图视频准确预测 LVEF。EchoNet-Dynamic/EchoNet-Peds 模型以专家测量的 LVEF 为基准，利用超声心动图预测 LVEF。研究人员采用迁移学习方法，对该模型进行微调，以 CMR 得出的 LVEF 为基准，以 TOF 超声心动图作为输入图像来预测 LVEF。对于短轴观（PSAX view）超声心动图，该模型预测 CMR LVEF 的 R²为 0.79，平均绝对误差（MAE）为 4.41。对于心尖四腔观（A4C view）超声心动图，模型预测 CMR LVEF 的 R²为 0.53，MAE 为 6.4。绘制的受试者工作特征曲线（ROC 曲线）表明，这两个微调后的模型都能很好地区分正常和降低的 LVEF。这项研究展示了卷积神经网络（CNN）模型通过结合 CMR 标记和超声心动图视频的混合方法，在改变心脏成像解读领域的潜力，相较于传统方法有了显著进步。