深度学习模型改进常见先天性心脏病变的社区级诊断
计算机视觉与模式识别
2018-09-20 v1
摘要
法洛四联症（TOF）和左心发育不良综合征（HLHS）是两种严重的先天性心脏缺陷，其产前诊断可改善预后，并在某些情况下有助于开展宫内干预。然而在实践中，这些病变在社区的胎儿诊断率仅为 30-50%。因此，改进先天性心脏病的胎儿诊断至关重要。深度学习是一种用于在图像中发现模式的尖端机器学习技术，但尚未应用于先天性心脏病的产前诊断。利用 2000-2018 年间收集的 685 例胎龄 18-24 周胎儿的回顾性超声心动图，我们以监督方式训练卷积和全卷积深度学习模型以（i）识别胎儿心脏的五个标准筛查切面，以及（ii）分割心脏结构以计算胎儿心脏生物学测量值。随后我们训练模型按切面区分正常心脏、TOF 和 HLHS。在留出的图像测试集中，五个最重要胎儿心脏切面的识别 F 值为 0.95。正常心脏与 TOF 未标注心脏切面的二分类总体灵敏度为 75%、特异度为 76%，而正常与 HLHS 的灵敏度为 100%、特异度为 90%，均远高于这些病变的平均诊断率。此外，基于分割的胸心比（CTR）、心脏轴（CA）和心室面积变化分数（FAC）测量值与临床测量的正常、TOF 和 HLHS 心脏指标相符。因此，使用指南推荐的成像，深度学习模型相比常规标准诊疗可显著提升胎儿先天性心脏病的检出。
引用
@article{arxiv.1809.06993,
title = {Deep-learning models improve on community-level diagnosis for common congenital heart disease lesions},
author = {Rima Arnaout and Lara Curran and Erin Chinn and Yili Zhao and Anita Moon-Grady},
journal= {arXiv preprint arXiv:1809.06993},
year = {2018}
}