هوش مصنوعی

تشخیص تصویر اکوکاردیوگرافی و کمی سازی ناهنجاری حرکتی

تشخیص تصویر اکوکاردیوگرافی کمی سازی ناهنجاری های حرکتی دیواریکی از گسترده ترین کاربردهای اکوکاردیوگرافی در تشخیص و مراقبت از نارسایی قلبی مربوط به بیماری عروق کرونر یا سایر آسیب شناسی های قلبی است.

شناسایی و ارزیابی نارسایی سیستولیک قلب به شناسایی ناهنجاری های حرکتی دیواره بستگی دارد.

ارزیابی کمی تغییرات در حرکت دیواره منطقه‌ای نیز در اکوکاردیوگرافی استرسی برای شناسایی بیماران مبتلا به بیماری عروق کرونر مهم از نظر پیش آگهی مهم است.

تشخیص تصویر اکوکاردیوگرافی امکان تجسم در زمان واقعی انقباض میوکارد را در هنگام استرس فراهم می کند و با مقایسه حرکت دیواره بطن چپ بین تصاویر پایه و تصاویر اوج یا پس از استرس، امکان تشخیص وجود تنگی عروق کرونر از نظر عملکردی قابل توجه وجود دارد (51).

به طور معمول، انقباض به صورت بصری توسط یک اپراتور ارزیابی می شود و متاآنالیز 62 مطالعه منتشر شده اکوکاردیوگرافی استرس، تنوع گسترده ای در حساسیت ها و ویژگی های گزارش شده برای اکوکاردیوگرافی استرس دوبوتامین را نشان می دهد.

دامنه حساسیت بین 33 تا 98 درصد بود، در حالی که ویژگی بین 38 تا 97 درصد بود که منجر به میانگین حساسیت و ویژگی برای اکوکاردیوگرافی استرس دوبوتامین به ترتیب 81 و 82 درصد شد.

در حالی که این قابل مقایسه با سایر ارزیابی های عملکردی بیماری عروق کرونر است،

اما هنوز به این معنی است که تقریباً از هر پنج بیمار یک نفر ممکن است به اشتباه تشخیص داده شود (52).

به منظور افزایش دقت اکوکاردیوگرافی استرس، مدل‌های یادگیری ماشینی به‌عنوان ابزاری برای شناسایی و تعیین کمیت ناهنجاری‌های حرکت دیواره القایی ارزیابی شده‌اند (53، 54، 55، 56).

در یک مطالعه، عمر و همکاران. تشخیص تصویر اکوکاردیوگرافی از مدل‌های مشتق‌شده تصویربرداری از حرکت سه‌بعدی در حالت استراحت و استرس در جنگل‌های تصادفی، ماشین‌های بردار پشتیبانی و رویکرد یادگیری عمیق متشکل از یک شبکه عصبی کانولوشنال استفاده کرد.

آنها دریافتند که شبکه عصبی کانولوشنال حساس ترین مدل را با حساسیت 81.1 درصد در مجموعه داده آموزشی در مقایسه با تفسیر اپراتور خبره ارائه می کند

How

(55).Quantification of wall motion abnormalitiesOne of the widest uses of echocardiography is in the diagnosis and care of heart failure either related to coronary artery disease or other cardiac pathology.

Identification and assessment of systolic heart failure relies on identification of wall motion abnormalities. Quantitative assessment of changes in regional wall motion is also important in stress echocardiography to identify patients with prognostically significant coronary disease. Echocardiography allows real-time visualisation of myocardial contractility during stress and by comparing left ventricular wall motion between baseline images and peak or post stress images, it is possible to detect presence of a functionally significant coronary narrowing (51).

Typically, contractility is assessed visually by an operator and a meta-analysis of 62 published stress echocardiography studies demonstrated a wide variation in reported sensitivities and specificities for dobutamine stress echocardiography. Sensitivity ranged from 33 to 98%, whilst the specificity ranged from 38 to 97% resulting in average sensitivity and specificity for dobutamine stress echocardiography of 81 and 82%, respectively.

Whilst this is comparable to other functional assessments of coronary artery disease, it still means that approximately one in every five patients could potentially be misdiagnosed (52).

In order to enhance the accuracy of stress echocardiography, machine learning models have been evaluated as means to identify and quantify inducible wall motion abnormalities (53, 54, 55, 56).

In one study, Omar et al. used imaging derived models of 3D motion at rest and stress within random forests, support vector machines and a deep learning approach consisting of a convolutional neural network.

They found that the convolutional neural network provided the most sensitive model, with a sensitivity of 81.1% in a training dataset compared to expert operator interpretation (55). 

در مطالعه دیگری، از یک مدل یادگیری بدون نظارت برای تشخیص 12 ویژگی برای تمایز خطی استفاده شد، که می‌تواند بین بیماران مبتلا به بیماری انسدادی و پاسخ‌های طبیعی از طریق استفاده از یک شاخص خطر بیماری عروق کرونر جدید تمایز قائل شود (54).

اکثر مطالعات تا به امروز بر روی مجموعه داده‌های نسبتاً کوچک، بدون اعتبارسنجی آزمایشی کافی بوده‌اند یا فقط با خوانندگان متخصص مقایسه شده‌اند تا نتیجه. با این وجود، آنها قول می دهند که مدل های یادگیری ماشین ممکن است بتوانند از تصمیم گیری بالینی برای اکوکاردیوگرافی استرس پشتیبانی کنند. یکی از رایج ترین تست های تصویربرداری عملکردی برای بیماری عروق کرونر است.

In another study, an unsupervised learning

model was used to detect 12 features for linear discrimination, which could differentiate between patients with obstructive disease and normal responses through use of a new coronary artery disease risk index (54). The majority of studies to date have been on relatively small datasets, without adequate testing validation or have only compared against expert readers rather than outcome.

Nevertheless

they show promise that machine learning models may be able to support clinical decision-making for stress echocardiography; one of the most commonly used functional imaging tests for coronary artery disease.

یک دیدگاه

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد.

در حال بارگذاری