基于超声心动图冠状动脉病变区分不完全川崎病可解释深度学习算法
图像与视频处理
2022-04-07 v1 计算机视觉与模式识别
摘要
背景与目的：不完全川崎病（KD）常因缺乏典型 KD 的临床表现而被误诊。然而，其与显著更高的冠状动脉病变患病率相关。通过超声心动图识别冠状动脉病变对于 KD 的及时诊断和良好预后十分重要。此外，与 KD 类似，当前正引起全球大流行的新冠肺炎（coronavirus disease 2019）也表现为发热；因此，此刻在儿童发热性疾病中明确区分 KD 至关重要。本研究旨在验证一种用于 KD 与其他急性发热性疾病分类的深度学习算法。方法：我们获取了儿童的冠状动脉超声图像（KD 组 n = 88；肺炎组 n = 65）。我们使用收集的数据训练了六个深度学习网络（VGG19、Xception、ResNet50、ResNext50、SE-ResNet50 和 SE-ResNext50）。结果：SE-ResNext50 在分类的准确率、特异度和精确率方面表现最佳。SE-ResNext50 的精确率为 76.35%，灵敏度为 82.64%，特异度为 58.12%。结论：我们的研究结果表明，深度学习算法在检测冠状动脉病变以辅助 KD 诊断方面具有与经验丰富的心脏科医生相当的性能。
引用
@article{arxiv.2204.02403,
title = {Explainable Deep Learning Algorithm for Distinguishing Incomplete Kawasaki Disease by Coronary Artery Lesions on Echocardiographic Imaging},
author = {Haeyun Lee and Yongsoon Eun and Jae Youn Hwang and Lucy Youngmin Eun},
journal= {arXiv preprint arXiv:2204.02403},
year = {2022}
}