冠脉造影的自动多模态人工智能分析

北京大学人民医院刘健、孙浩宁、聂文畅

微信图片_20210906142911.jpg

健心荐语

深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，即人工智能。但在现有的研究成果中，大多数现有的用于冠状动脉造影分析的机器学习方法仅局限于单个方面。

文章介绍

本研究旨在实现自动和多模态分析，以识别并量化冠状动脉造影，整合多方面信息，包括冠状动脉的识别和病变形态的识别。

研究方法

本研究基于deep distinct系统，使用来自大型单一中心的图像采集数据，回顾性地收集了20612例血管造影的图像，其中13373例血管造影图像用冠状动脉段标记，7239张用特殊病变形态标记。通过这些标记的数据进行训练和优化，一个网络识别出20个不同的冠状动脉段，而另一个网络检测到病变形态，包括病变直径狭窄以及钙化、血栓形成、完全闭塞的测量和输入血管造影照片中的解剖检测。本研究评估了计算机辅助诊断系统通过深度学习技术解释冠状动脉造影的性能，并训练了两个不同功能的深度神经网络(DNN)。

微信图片_20210906142916.jpg

图1 机械学习示例

微信图片_20210906142919.jpg

图2 本研究入组病例分类

研究结果

该诊断系统使用2050例血管造影图像进行测试，冠状动脉段识别的准确率为98.4%，冠状动脉狭窄病变、完全闭塞、钙化、血栓形成和夹层识别的F1评分分别为0.829、0.810、0.802、0.823和0.854。

微信图片_20210906142922.jpg

图3 不同病变类型的受试者工作特征（ROC）曲线

微信图片_20210906142925.jpg

图4 冠状动脉识别模型和病变形态检测模型的评价过程

结论

深度学习技术可用于诊断性冠状动脉造影的解读，未来可能成为标准化冠心病患者筛查和风险分层的更有力工具。

点评

深度学习是学习样本数据的内在规律和表现层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。本研究证明了深度学习在冠脉影像学领域的作用。

然而一般来说，深度学习需要海量的数据以增进算法的准确性，未来如何整合多中心的图像数据从而优化算法是需要进一步思考的领域。

刘健，北京大学人民医院主任医师、教授、博士研究生导师，美国哥伦比亚大学医学中心/美国心血管研究基金会血管内超声博士后。

主要研究方向为冠心病的诊断和治疗；冠脉介入治疗；冠脉腔内影像学和功能学检查；冠心病无创检查(FFRCT)；急性心肌梗死的诊断和治疗；顽固性高血压的介入治疗。

200 评论

知情同意书

冠脉造影的自动多模态人工智能分析丨健心知著

冠脉造影的自动多模态人工智能分析

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接