Az echokardiográfiás referencianézeteket azonosító mesterséges intelligencia-algoritmus érvényesítése. Ultrahang - Szívelsajátítási útmutató (U-CAG)

Erre a problémára válaszul több csapat is kihasználta a mély tanulás terén elért eredményeket, különösen a számítógépes látás területén, hogy segítsen a nem szakembereknek megszerezni ezeket a referencianézeteket. Konvolúciós neurális hálózatok segítségével több csapat algoritmusokat fejlesztett ki e nézetek azonosítására és megkülönböztetésére. A munka célja, hogy segítséget nyújtson a kezelőnek azáltal, hogy valós időben azonosítja a kapott ultrahangképet referencia nézetként.

2019 januárja óta a Prof. Stéphane Lafitte vezette echokardiográfiai laboratórium és a DESKi, egy bordeaux-i székhelyű start-up, amely a mélytanulásra és az orvosi képalkotásra szakosodott, ilyen típusú megoldásokon dolgozik. Konkrétan olyan retrospektív adatokon alapuló algoritmust tudtak kidolgozni, amely 7 referencianézet szerint osztályozza a képeket (parasternalis hosszú tengely, parasternális rövid tengely, apikális 4-3-2 üreg, sub costalis 4 üreg és a vena cava inferior) és olyan ultrahangképeket képviselő osztály, amelyek nem felelnek meg ezen nézetek egyikének sem.

A munka sajátosságai elsősorban abban rejlenek, hogy az algoritmus csak megfelelő minőségű (echogenitás és látható anatómiai rész a képen) nézeteket érzékeli a megbízható elemzéshez, és hogy a neurális hálózat architektúrája kompatibilis a valós idejű felhasználással. okos telefon.

Ezeket az algoritmusokat a csapatoktól függetlenül retrospektív adatokból, azaz a kardiológusok által a standard echokardiográfiás vizsgálatok során rögzített ultrahangfelvételek hurkából építették és validálták. Ezeken a felvételeken a kardiológusok csak a referencianézeteknek megfelelő képeket tartják meg. A kardiológus ezután minden képhurkot vagy felvételt egy referencianézethez csatol. Ezekből a kardiológusok által felcímkézett felvételekből egy tanulási módszerrel az algoritmusok megtanulják felismerni és megkülönböztetni ezeket a referencianézeteket. Az algoritmusokat ezután egy edzéshez nem használt mintán validálják, összehasonlítva az eredményeket a kardiológusok által végzett címkézéssel.

Ennek az érvényesítésnek az a korlátja, hogy kevéssé veszi figyelembe az algoritmus viselkedését, amikor olyan képekkel szembesül, amelyek nem referencianézetek.

Valójában, mielőtt rögzítené ezeket a referencianézeteket, a kezelő megkeresi a szonda azon pozícióját, amely a legjobb kilátást nyújtja úgy, hogy áthelyezi a páciens törzsére. Ezt a teljes szkennelési fázist a szabványos vizsgálat során, rögzítés nélkül hajtják végre. Ezért ezen megoldások egyike sem került érvényesítésre prospektívan a beszerzéseknél, beleértve a referencianézetek szkennelési szakaszát.

Egy prospektív monocentrikus vizsgálaton keresztül a kutatás célja az algoritmus és a kardiológusok által végzett jelölések összehasonlítása, beleértve a referencianézet keresési fázisának rögzítését is, és az echokardiográfiás laboratóriumban végzett rutin ellátás részeként.