基于深度学习的人工智能模型自动量化超声心动图左心室射血分数初步探索

摘要

目的 利用超声心动图静态视图，构建一种基于深度学习的人工智能模型，以自动量化左心室射血分数(LVEF)。方法 将1 902例成人左心室收缩末期和舒张末期的多切面超声心动图视图数据纳入本研究。将收集的数据集分为开发集(1 610例，其中1 252例用于模型训练，358例用于参数调整)、内部测试集(177例，用于内部验证)和外部测试集(115例，用于外部验证和泛化性检测)。该模型通过精确识别左心室心内膜边界和关键点检查，实现左心室分割和自动量化LVEF。采用Dice系数评估左心室分割模型的性能；采用Pearson相关系数和组内相关系数评估自动测量的LVEF与参考标准的相关性和一致性。结果 左心室分割模型性能良好，内部和外部独立测试集的Dice系数均≥0.90;自动测量的LVEF与心脏专家人工测量的一致性中等，内部测试集的Pearson相关系数为0.46～0.71,组内相关分析一致性为0.39～0.57;外部测试集的Pearson相关系数为0.26～0.54,组内相关分析一致性为0.23～0.50。结论 本研究构建了一种性能较好的左心室分割和关键点检测模型，但初步应用该模型自动定量LVEF的效能一般，尚需进一步优化算法，提高模型泛化性。

关键词

深度学习 / 超声心动图 / 左心室射血分数 / 自动分割 / 模型性能优化