《自然心血管研究》：新的多视角AI架构提高了心脏病诊断的准确性

心脏病是全世界成年人死亡的主要原因，因此心血管疾病的诊断和管理成为全球卫生重点。

　　

大多数标准超声心动图提供三维（3D）心脏解剖的二维（2D）视觉图像。这些超声心动图通常捕获数百张跳动心脏的二维切片或视图，使医生能够对心脏的功能和结构进行临床评估。

为了提高心脏病诊断的准确性，加州大学旧金山分校的研究人员开始确定深度神经网络（dnn），一种人工智能算法类型，可以重新设计，以更好地从多个成像视图同时捕获复杂的三维解剖学和生理学。他们开发了一种新的“多视图”结构或架构，使其能够同时从多个成像视图中提取信息，而不是目前只使用单一视图的方法。然后，他们使用这种结构训练示范dnn来检测三种心血管疾病的疾病状态：左心室和右心室异常、舒张功能障碍和瓣膜反流。

在3月17日发表于?《自然心血管研究》（Nature Cardiovascular Research）的一项?研究?中，研究人员比较了从UCSF和蒙特利尔心脏研究所（Montreal Heart Institute）获得的超声心动图的单视图和多视图数据进行分析的DNNs的性能。他们发现，与任何单视图训练的DNNs相比，多视图训练的DNNs提高了诊断的准确性，更好地捕捉了这些心脏病的疾病状态。

“到目前为止，人工智能主要用于一次分析一个2D视图——无论是图像还是视频——这限制了人工智能算法在视图之间学习疾病相关信息的能力，”资深研究作者杰弗里·蒂森（Geoffrey Tison）说，他是医学博士、公共卫生硕士，心脏病专家，也是UCSF生物信号研究中心的联合主任。可以跨多个高分辨率视图集成信息的深度神经网络架构是在医学成像领域实现人工智能性能最大化的重要一步。在超声心动图的情况下，大多数诊断需要考虑多个视图的信息，因为任何单一视图的信息只能说明部分情况。

例如，为了评估左心室（LV）的大小或功能，一次显示心脏所有腔室的超声心动图（A4c）最能捕获某些左心室壁（室间隔内壁和前外侧壁），而另一种垂直超声心动图（A2c）则捕获其他重要壁（前壁和下壁）。通常左室壁的功能在一个视图上看起来完全正常，但在另一个视图上却有明显的功能障碍。对于他们检查的超声心动图任务，如识别左、右心室异常和舒张功能障碍，研究人员的结果表明，多视图可能从每个视图中学习特征之间的相关信息，以获得更高的整体性能。

“我们的多视图神经网络架构被明确设计为使模型能够学习多个成像视图中信息之间的复杂关系。我们发现这种方法提高了超声心动图诊断任务的性能，但这种新的人工智能架构也可以应用于其他医学成像模式，其中多个视图包含互补信息。”加州大学旧金山分校心脏病学部助理教授约书亚·巴里奥斯博士说。

研究人员还发现，对三个单视图深度神经网络的预测进行平均，可以提高单视图深度神经网络的性能，同时计算成本也更低，因此为训练多视图深度神经网络提供了一种可行的替代方案。然而，相比之下，多视图深度神经网络提供了最强的性能。他们建议未来的研究应该检查多视图DNN架构如何协助其他医疗任务或成像方式。