基于相对标注与成对学习评估超声心动图旋转对位
From Relative Annotation to Pairwise Learning for Assessing Echocardiographic Rotational Alignment.
PubMed 文献 · Ultrasound Med Biol · 2026-10-09
本研究通过多专家排序标注心尖四腔观图像的旋转对位，比较传统逐点回归与成对学习模型。成对学习模型将两幅图像输入并预测其旋转评分差异，在三个独立专家测试集上成对一致性提升至84.29%，Spearman相关系数提升至85.43%，优于传统逐点回归模型，为评估连续性图像质量属性提供了稳健框架。
要点
- 成对学习模型评估心尖四腔观旋转对位的专家一致性达84.29%，Spearman相关系数达85.43%
- 模型关注临床相关的心脏解剖结构，循环一致性分析显示预测稳定性高
- 相对标注与成对学习框架适用于评估连续性超声图像质量属性
核心结论
- 基于相对专家标注结构的成对学习模型在评估心尖四腔观旋转对位时，与多专家共识的一致性优于传统逐点回归模型
- 成对学习为评估旋转对位等连续性超声图像质量属性提供了稳健框架
研究设计与样本
- 多专家标注的心尖四腔观图像数据集，通过多图像排序法获得顺时针至逆时针连续体上的共识旋转排序
- 比较传统逐点回归模型与共享权重成对模型（输入两幅图像预测其共识旋转评分的有符号差值）
- 在三个独立专家排序测试集上评估性能，使用留一专家法和循环一致性分析评估稳健性，显著性可视化分析模型关注区域
关键影像表现/征象
- 显著性解释图显示模型关注临床相关的心脏解剖结构
诊断标准与关键数值
- 成对学习使平均成对一致性从74.86%提升至84.29%，平均Spearman相关系数从67.74%提升至85.43%
- 最佳成对模型的成对一致性达87.81%，Spearman相关系数达91.23%
- 排除单个标注者时模型性能保持稳定，独立测试数据上循环一致性分析显示极少循环偏好
临床应用与阅片要点
- 成对学习框架可用于自动化评估超声心动图心尖四腔观的旋转对位质量
- 该方法适用于评估连续性、定性的超声图像质量属性，为图像质量控制提供量化工具
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Alibakhshi, Fernandes, Serej, et al. From Relative Annotation to Pairwise Learning for Assessing Echocardiographic Rotational Alignment. Ultrasound Med Biol. 2026. PMID: 42855400. doi:10.1016/j.ultrasmedbio.2026.09.003
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。