تشخیص اکوکاردیوگرافی با هوش مصنوعی

تشخیص اکوکاردیوگرافی نشان داده شده است که یادگیری ماشینی مزایای متعددی را در زمینه اکوکاردیوگرافی فراهم می‌کند، که نه تنها فرآیند تفسیر را دقیق‌تر و تکرارپذیرتر می‌کند،

بلکه اجازه می‌دهد تا داده‌های استفاده‌نشده در حال حاضر را در ارزیابی کلی عملکرد قلب به کار گیرد تا اطلاعات دقیق‌تری ارائه کند. تشخیص (شکل 2). این افزایش دقت، همراه با مزایای صرفه جویی در زمان، ارزش گنجاندن یادگیری ماشینی در زمینه اکوکاردیوگرافی را نشان می دهد.با این حال، برای گنجاندن این فناوری جدید در مجموعه مراقبت‌های بهداشتی، زیرساخت‌های لازم، مانند رایانه‌ها، شبکه‌ها و سرورهایی که قادر به پردازش و انتقال و ذخیره‌سازی ایمن این داده‌ها هستند، به ویژه در عصر سیستم‌های مبتنی بر ابر باید وجود داشته باشد. این ممکن است یک “گردن بطری” بالقوه در پذیرش این فناوری باشد، زیرا سیستم های فناوری اطلاعات مراقبت های بهداشتی اغلب نیاز به به روز رسانی دارند (35). علاوه بر این، پزشکان باید برای اطمینان از استفاده مناسب از این ابزارها به منظور دریافت دقیق ترین اطلاعات از مدل ها آموزش ببینند، این امر به ویژه مهم است زیرا اعتبار داده های خروجی به شدت به کیفیت داده های تغذیه شده بستگی دارد. به مدل به این ترتیب، پزشکان باید از نزدیک با دانشمندان داده کار کنند تا به تسهیل ادغام و پذیرش این ابزارهای محاسباتی در محیط بالینی کمک کنند

Machine learning can

(35).Machine learning has been demonstrated to provide numerous benefits to the field of echocardiography, which will not only make the interpretation process more accurate and reproducible, but will also allow the incorporation of currently unused data into the overall assessment of cardiac function to provide a more accurate diagnosis (Fig. 2).

This increase in accuracy, combined with the time-saving benefits, demonstrate the value of incorporating machine learning into the field of echocardiography.However, in order to incorporate this new technology into the healthcare setting the necessary infrastructure, such as computers,

networks and servers capable of processing and securely transporting and storing such data, needs to be in place especially in the era of cloud-based systems. This may be a potential ‘bottle neck’ in the adoption of this technology, since healthcare IT systems are often in need of update (35).

In addition, clinicians will need to be trained to ensure that these tools are used appropriately in order to get the most accurate information from the models, this is especially important as the validity of the output data is heavily dependent on the quality of the data fed into the model.

As such, clinicians will have to work closely with data scientists to help facilitate the integration and adoption of these computational tools into the clinical setting (35).

تشخیص اکوکاردیوگرافی تصویراولین قدم برای اطمینان از ارزیابی دقیق اکوکاردیوگرام، شناسایی صحیح نماها، فیلم ها و روش های اولتراسوند مانند ردپای داپلر پالسی و موج پیوسته است. این تشخیص برای کاربردهای یادگیری ماشین نسبتاً ساده است.

یک مدل یادگیری عمیق، متشکل از یک شبکه عصبی کانولوشن، برای شناسایی و تشخیص ویژگی‌های خاص در هر نما، بدون توجه به وضوح تصویر، آموزش داده شده است. در این مطالعه، طیف وسیعی از اکوکاردیوگرام‌های تصادفی انتخاب شده، از جمله انواع طبیعی، و همچنین طیف وسیعی از آسیب‌شناسی و کیفیت تصویر استفاده شد.

این مدل توانست 15 نمای اکوکاردیوگرافی اصلی را با دقت کلی 97.8 درصد طبقه بندی کند (7).

در یک مطالعه جداگانه، الگوریتم های یادگیری ماشین برای شناسایی دقیق نماهای چهار، دو و سه محفظه آپیکال استفاده شد. علیرغم شباهت‌های بین این دیدگاه‌ها، مدل یادگیری نظارت شده توانست هر دیدگاه را با دقت تقریباً 95 درصد تشخیص دهد (36). شکل 3 نمونه‌ای از یک مدل شبکه عصبی کانولوشنال را برای طبقه‌بندی تصویر اکوکاردیوگرافی نشان می‌دهد.