基于3D CNN的人工智能辅助诊断模型对超声心动图视频异常改变的识别

作者：申凯凯; 张喜君; 邵人杰; 赵明昌; 陈建军; 袁建军; 赵婧革; 朱好辉^*

来源：中华心血管病杂志, 2023, 51(07).

• 神经网络
• 人工智能
• 超声心动描记术
• 高血压
• 肾功能衰竭
• 甲状腺功能减退症

目的探讨基于三维卷积神经网络(3D CNN)构建的人工智能辅助诊断模型对高血压性心脏病、出现心脏改变的慢性肾功能衰竭(CRF)及甲状腺功能减退症(甲减)患者超声心动图视频的诊断效能及其临床应用价值。方法本研究为回顾性研究。收集2019年4月至2021年10月就诊于河南省人民医院的高血压性心脏病、出现心脏改变的CRF和甲减患者。依据诊断分为高血压组、CRF组和甲减组, 另采用简单随机抽样方法从同期健康体检者中入选正常对照组。收集入选患者的超声心动图视频数据。每组中视频数据按约5∶1的比例分为训练集和独立测试集, 采用膨胀3D卷积网络(I3D)对视频进行时空特征的联合提取, 对人工智能辅助诊断模型进行训练及测试;训练集和测试集之间无病例交叉。分别使用3种不同切面[单一心尖四腔心(A4C)切面、单一胸骨旁左心室长轴(PLAX)切面、所有切面]视频数据, 基于病例或视频建立模型, 并进行诊断性能的统计分析, 计算敏感度、特异度、受试者工作特征曲线下面积(AUC);并对比人工智能和超声科医师处理病例所需时间。结果共纳入730例受试者, 男性362例(49.6%), 年龄(41.9±12.7)岁, 共收集了17 703条视频。其中, 高血压组212例、CRF组210例、甲减组105例、正常对照组203名。使用单一PLAX切面和所有切面数据基于病例进行预测的模型诊断性能较优:(1)高血压组中, 使用所有切面数据的模型的敏感度、特异度、AUC分别为97%、89%、0.93, 使用单一PLAX切面模型为94%、95%、0.94;(2)CRF组中, 使用所有切面数据的模型的敏感度、特异度、AUC分别为97%、95%、0.96, 使用单一PLAX切面模型为97%、89%、0.93;(3)甲减组中, 使用所有切面数据的模型的敏感度、特异度、AUC分别为64%、100%、0.82, 使用单一PLAX切面模型为82%、89%、0.86。3D CNN模型测量和分析每例受试者的超声心动图视频所需时间明显短于超声科医师[(23.96±6.65)s比(958.25±266.17)s, P<0.001]。结论基于3D CNN的人工智能辅助诊断模型可以联合提取超声心动图的动态时空特征, 能够快速高效识别高血压性心脏病及CRF和甲减引起的心脏改变。

• 单位
  河南省人民医院