人工智能在儿科超声心动图中的应用：基于可解释AI和联邦学习的挑战、机遇与临床应用探索
人工智能
2025-03-31 v2
摘要
儿科心脏病涵盖广泛的先天性和后天性疾病。更复杂的先天性畸形需要差异化的多模态决策过程，通常包括超声心动图作为核心成像手段。人工智能（AI）通过促进儿科超声心动图数据的自动化解读，为临床医生带来巨大希望。然而，将AI技术应用于儿科超声心动图分析面临诸多挑战，如公开数据有限、数据隐私和AI模型透明度。近期，研究者聚焦于联邦学习（FL）和可解释AI（XAI）等颠覆性技术，以改进自动诊断和决策支持工作流。本研究全面综述了AI在儿科超声心动图中的局限与机遇，强调XAI与FL的协同工作流及作用，识别研究空白，并探讨潜在未来发展。此外，通过三个相关临床用例演示了XAI和FL的功能，重点涵盖（i）视图识别、（ii）疾病分类、（iii）心脏结构分割、（iv）心脏功能定量评估。
引用
@article{arxiv.2411.10255,
title = {Artificial Intelligence in Pediatric Echocardiography: Exploring Challenges, Opportunities, and Clinical Applications with Explainable AI and Federated Learning},
author = {Mohammed Yaseen Jabarulla and Theodor Uden and Thomas Jack and Philipp Beerbaum and Steffen Oeltze-Jafra},
journal= {arXiv preprint arXiv:2411.10255},
year = {2025}
}
备注
Submitted for peer review to an Elsevier journal. This version includes revisions to align with the journals guidelines and template. Any footnotes previously present in [V1] referring to Frontiers have been removed for clarity