JACC Cardiovasc Imaging.

IF:14.805

(SCIE, RADIOLOGY, NUCLEAR MEDICINE & MEDICAL IMAGING, 1/134)

AI-Assisted Echocardiographic Prescreening of Heart Failure With Preserved Ejection Fraction on the Basis of Intrabeat Dynamics

DOI: 10.1016/j.jcmg.2021.05.005. Online ahead of print.

Yu-An Chiou, Chung-Lieh Hung *(洪崇烈), Shien-Fong Lin

研究動機:

雖然 HFpEF 的診斷標準已經確立，但使用心肌功能影像如心臟超音波來快速準確地評估 HFpEF 仍然具有挑戰性且非常需要醫師後線的專業判讀。

解決問題：

本研究的目的是建立的收縮功能正常心臟衰竭 (HFpEF) 的快速預篩查工具，通過使用人工智能 (AI) 技術來檢測心血管功能成像在心臟左心室和左心房的結構和功能異常模式。

中文摘要：

方法：研究中總共包括 1,041 名 HFpEF 患者和 1,263 名無症狀個體。從心臟超音波中提取參與者的 4 腔室動態成像，並隨機分成訓練、驗證和內部測試數據資料族群。外部測試數據集包括來自另一家醫院的 150 名有症狀的慢性阻塞性肺病患者和 315 名 HFpEF 患者，用於進一步的模型驗證。從圖像序列中逐幀提取幾何測量的幀內動態變化，並以一維卷積神經網絡（1D CNN）)來訓練AI預測模型。

結果：檢測 HFpEF 的最佳 AI 模型的準確性、敏感性和特異性分別為 0.91、0.96 和 0.85。該模型使用外部測試數據集進一步驗證，準確度、靈敏度和特異度分別變為 0.85、0.79 和 0.89。ROC曲線下面積用於評估模型分類能力。內部測試數據集和外部測試數據集中曲線下的最高面積為0.95。

結論：本研究中開發的 AI 系統結合了動態心臟機械性功能性新的分析概念，是一種快速、省時且準確的預篩選方法，可促進 收縮功能正常心臟衰竭 (HFpEF)的臨床診斷。除了診斷結果的分類外，這種方法還可以自動生成有價值的定量指標，以幫助臨床醫生及時並更精確診斷 HFpEF。