تشخیص تصویر اکوکاردیوگرافی با کمک هوش مصنوعی

تشخیص تصویر اکوکاردیوگرافی و طبقه بندی الگوهای پاتولوژیک شرایط مختلف فیزیولوژیکی و پاتولوژیک می توانند فنوتیپ های مشابهی را به اشتراک بگذارند که تشخیص آنها بدون تجربه دقیق اپراتور دشوار است.

به عنوان مثال، هیپرتروفی بطن چپ معمولاً در جمعیت ورزشکار مشاهده می شود، اما در کاردیومیوپاتی هیپرتروفیک نیز دیده می شود. با توجه به افزایش خطر مرگ ناگهانی قلبی در بیماری قلبی ارثی، تمایز دقیق مهم است.

نارولا و همکارانش یک تکنیک مجموعه‌ای متشکل از ماشین‌های بردار پشتیبان، جنگل‌های تصادفی و شبکه‌های عصبی مصنوعی را برای تمایز دقیق بین این دو شرایط، با حساسیت 96% در صورت تنظیم برای سن، توسعه دادند (5).

علاوه بر این، مدل‌های یادگیری ماشین توانایی خود را برای تمایز دقیق بین فنوتیپ‌های مشابه در گروه‌های بیماران مبتلا به پریکاردیت انقباضی و کاردیومیوپاتی محدودکننده بیشتر نشان داده‌اند. این آسیب شناسی ها تظاهرات مشابهی دارند و از آنجایی که هیچ پارامتر واحدی در زمینه اکوکاردیوگرافی وجود ندارد که بتواند به وضوح بین آنها تمایز قائل شود،

این تشخیص تصویر اکوکاردیوگرافی می تواند چالش برانگیز باشد. یک الگوریتم طبقه‌بندی یادگیری ماشین با استفاده از ویژگی‌های اکوکاردیوگرافی چندگانه، توانست به‌طور دقیق بین این آسیب‌شناسی‌ها، با دقت تا ۹۰ درصد، تمایز قائل شود (27، 30). نمودار نمونه‌ای از فرآیند مدل یادگیری ماشین در شکل 4 نشان داده شده است.

Classification of pathological

patternsDifferent physiological and pathological conditions can share similar phenotypes that prove difficult to differentiate without detailed operator experience. For example, left ventricular hypertrophy is commonly observed in the athletic population, but is also found in hypertrophic cardiomyopathy. Given the increased risk of sudden cardiac death in inherited cardiac disease accurate differentiation is important. Narula and co-workers developed an ensemble technique consisting of support vector machines, random forests, and artificial neural networks to accurately differentiate between these two conditions, with a sensitivity of 96%, when adjusted for age (5).

In addition to this, machine learning models have further demonstrated their ability to accurately differentiate between similar phenotypes in patient groups with constrictive pericarditis and restrictive cardiomyopathy.

These pathologies share a similar presentation and since there is no single parameter in the field of echocardiography that can clearly distinguish between them, this diagnosis can be challenging.

A machine learning classification algorithm was able to accurately differentiate between these pathologies, with accuracy of up to 90%, using multiple echocardiography features (27, 30).

A diagram of an example of machine learning model process is shown in Fig. 4.

تفسیر خودکار

کمی سازی خودکارتفسیر و دستورالعمل های اکوکاردیوگرافی به شدت بر استفاده از معیارهای کمی تکیه دارد. تکنیک‌های پردازش تصویر با الگوریتم‌های یادگیری ماشین زیربنایی، نویدبخش شناسایی سریع ساختارها و تعیین کمیت پارامترهای مرتبط است.

ارزیابی حجم و عملکرد بطن چپ یکی از اولین کاربردهای هوش مصنوعی برای به حداقل رساندن خطا و کاهش ذهنیت اپراتور بود (37، 38، 39، 40). روش‌ها طوری تکامل یافته‌اند که اخیراً Knackstedt و همکاران. نشان داد که کسر جهشی بطن چپ و کرنش طولی را می توان در حدود 8 ثانیه با استفاده از روش های یادگیری ماشین تجزیه و تحلیل کرد (24). در اکوکاردیوگرافی سه‌بعدی، مدل‌های جنگل تصادفی برای شناسایی مرزها نشان داده‌اند که شناسایی دقیق حفره‌های بطن چپ و راست را ارائه می‌دهند،

به طوری که حجم بطن چپ و راست مشتق‌شده با آنهایی که با رزونانس مغناطیسی قلب اندازه‌گیری می‌شوند، قابل مقایسه هستند (28، 41، 42، 43، 44، 45). علاوه بر این، نشان داده شده است که یادگیری ماشین در ارزیابی بیماری دریچه ای قلب، به عنوان مثال، بیماری دریچه میترال (22، 46) کمک می کند.

ارزیابی خودکار اکوکاردیوگرام‌های سه بعدی ترانس مری از دریچه میترال ارزیابی کمی تکرارپذیرتر و منسجم‌تری از اندازه حلقه دریچه میترال و مورفولوژی آن نسبت به تفسیر انسانی ارائه می‌دهد (6، 47).

همچنین کار گسترده ای در زمینه تقسیم بندی دریچه آئورت برای برنامه ریزی روش کاشت دریچه آئورت ترانس توراسیک انجام شده است

(48، 49، 50).Automated quantificationEchocardiography interpretation and guidelines rely heavily on use of quantitative measures. Image processing techniques with underlying machine learning algorithms have shown promise for rapid identification of structures and quantification of related parameters.

Assessment of left ventricular volume and function was one of the first applications of artificial intelligence to minimise error and reduce operator subjectivity (37, 38, 39, 40).

Methods have evolved so that, recently, Knackstedt et al. demonstrated that left ventricular ejection fraction and longitudinal strain could be analysed in approximately 8 s using machine learning methods (24).

Within 3D echocardiography, random forest models to identify borders have been shown to provide an accurate identification of left and right ventricular cavities so that derived left and right ventricular volumes are comparable to those measured by cardiac magnetic resonance (28, 41, 42, 43, 44, 45). Furthermore, machine learning has been shown to aid in the assessment of valvular heart disease, for example, mitral valve disease (22, 46).

Automated assessments of 3D transoesophageal echocardiograms of the mitral valve provided more reproducible and consistent quantitative assessment of the mitral valve annulus size and its morphology than human interpretation (6, 47

. An extensive work also has been done in the field of aortic valve segmentation for planning transthoracic aortic valve implantation procedure (48, 49, 50).