文献速递心血管US

基于单切面超声心动图视频的多任务深度学习模型预测肥厚型心肌病及其伴发征象

RSS 订阅 · 中华医学超声杂志(电子版)

回顾性纳入377例受试者的胸骨旁长轴切面超声心动图视频,开发并验证多任务深度学习模型同时预测HCM、LVOTO及SAM征。测试集中模型预测HCM的ROC-AUC为0.987,预测LVOTO的ROC-AUC为0.899,预测SAM征的ROC-AUC为0.980,提示该模型有作为实时决策支持工具和降低HCM漏诊的潜力。

要点

  • 单一切面PLAX超声视频即可驱动多任务模型同时预测HCM及其LVOTO、SAM征。
  • 模型对HCM和SAM征的判别效能很高,对LVOTO的效能相对较低。
  • 该模型有潜力作为实时决策支持工具,帮助减少HCM漏诊。

核心结论

  • 基于单一切面超声心动图视频的多任务深度学习模型能同时准确识别HCM及其伴发征象LVOTO和SAM征。
  • 该模型有作为实时决策支持工具和降低HCM漏诊的潜力。

研究设计与样本

  • 回顾性纳入2016年1月至2025年5月武汉大学人民医院HCM及对照组受试者377例,两组按约1∶2配对。
  • 收集每例受试者静息状态下经胸标准胸骨旁长轴切面二维灰阶超声视频,共452个视频。
  • 全部数据集按4∶1随机分层抽样划分为训练集及测试集,训练集行4折交叉验证并开发最终版本模型。
  • 参考标准为临床HCM诊断及LVOTO、SAM征的判定,模型输出三个任务各自的概率值。

关键影像表现/征象

  • 共收集452个视频,其中HCM阳性视频179个,LVOTO阳性视频111个,SAM征阳性视频91个。
  • HCM组患者117例(179个视频),对照组260例(273个视频)。

诊断标准与关键数值

  • 测试集中模型预测HCM的ROC-AUC为0.987(95%CI:0.966~0.999),PR-AUC为0.981(95%CI:0.945~1.000)。
  • 测试集中模型预测LVOTO的ROC-AUC为0.899(95%CI:0.769~0.978),PR-AUC为0.789(95%CI:0.585~0.925)。
  • 测试集中模型预测SAM征的ROC-AUC为0.980(95%CI:0.943~1.000),PR-AUC为0.940(95%CI:0.837~1.000)。

临床应用与阅片要点

  • 阅片时可关注胸骨旁长轴切面视频中HCM形态学改变及LVOTO、SAM征的动态征象,该模型可辅助同时提示三类目标。
  • 模型对LVOTO的判别效能低于HCM和SAM征,报告LVOTO相关征象时仍需结合多切面及血流动力学信息综合判断。
  • 该模型仅基于静息状态单一切面视频,用于实时决策支持时应结合完整超声心动图检查。

局限性

  • 本研究为单中心回顾性研究,样本量377例,外部推广性需进一步验证。
  • 模型仅输入静息状态下胸骨旁长轴单一切面二维灰阶视频,未纳入其他切面及负荷状态信息。

原文图文

目的 开发并验证一种以单一切面超声心动图视频作为输入的多任务深度学习模型,以预测肥厚型心肌病(HCM)及其伴发征象。

方法 回顾性纳入2016年1月至2025年5月在武汉大学人民医院就诊的HCM及对照组(非HCM组)受试者377例(2组总人数按照约1∶2进行配对),收集每例受试者静息状态下经胸标准胸骨旁长轴切面(PLAX)二维灰阶超声视频数据。全部数据集以随机分层抽样的方法按4∶1的比例划分为训练集及测试集。基于单一切面视频训练多任务深度学习模型,深度学习模型并输出预测HCM、左心室流出道梗阻(LVOTO)及二尖瓣收缩期前向运动(SAM)征的概率值。在训练集中进行模型的4-折交叉验证和最终版本模型的开发,并在测试集中评估最终版本模型3个任务的受试者操作特征曲线下面积(ROC-AUC)及精确率-召回率曲线下面积(PR-AUC)。

结果 377例受试者中HCM组患者117例(179个视频),对照组260例(273个视频),共收集452个视频(其中HCM阳性视频数179个,LVOTO阳性视频数111个,SAM征阳性视频数91个)。测试集中,最终版本深度学习模型预测HCM的ROC-AUC及PR-AUC分别为0.987[95%置信区间(CI):0.966~0.999]、0.981(95%CI:0.945~1.000);预测LVOTO的ROC-AUC及PR-AUC分别为0.899(95%CI:0.769~0.978)、0.789(95%CI:0.585~0.925);预测SAM征的ROC-AUC及PR-AUC分别为0.980(95%CI:0.943~1.000)、0.940(95%CI:0.837~1.000)。

结论 基于单一切面超声心动图视频的多任务深度学习模型能同时准确识别HCM及其伴发征象LVOTO和SAM征,该模型有作为实时决策支持工具和降低HCM漏诊的潜力。

来源:中华医学超声杂志(电子版),查看原文。版权归原作者所有。

引用

  1. chaosheng.cma-cmc.com.cn:构建基于超声心动图视频的多任务深度学习模型并评价其预测肥厚型心肌病及其伴发征象的效能

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。