欧美两性人xxxx高清免费_国产婷婷综合在线视频中文_国产免费久久精品99reswag_在厨房乱子伦在线观看_一边写作业一边c她

人的視覺和認知是復雜的，超聲心動圖醫(yī)師通過肉眼分析靜態(tài)圖像和動態(tài)視頻，可抽象為以下步驟:視網膜的光感受器將光信號吸收并轉化為電化學信號，信號通過神經元網絡傳輸至視神經，到達大腦皮層和腦干后，這些信號將會整合到意識和潛意識感知中。

超聲心動圖醫(yī)師往往需要數年的培訓累積經驗，才能獨立進行診斷。目前，超聲心動圖已經從二維讀圖發(fā)展為半定量評估，但是仍受限于人為誤差以及手動分析的耗時長。通過回顧、學習多達數十億張的超聲心動圖圖像，人工智能能夠克服這一問題，協(xié)助超聲心動圖醫(yī)師進行診療。本文介紹了人工智能的基本原理，闡述人工智能在超聲心動圖中的應用，如自動分析心腔容積與左室功能、瓣膜病變、心肌病診斷等。

1.人工智能的基本原理

人工智能(artificialintelligence，AI)能夠模擬并超越人類的學習和經歷，即在學習、解決某一問題的情景下，機器模仿人類的思維、認知，通過機器感知環(huán)境，進行測量，最大限度地實現某個特定目標，提高效率。AI在日常生活中已有運用，比如天氣預報、分析金融市場、預測用戶購買傾向、根據用戶喜好推薦新聞、音樂等。機器學習是人工智能的一個組成部分，計算機從數據中學習完成任務，但同時卻不提供計算機明確的程序設定。根據用于學習樣本完全標記、部分標記或未標記，機器學習可分為監(jiān)督學習、半監(jiān)督學習和非監(jiān)督學習等。通過樣本訓練找到合適權重的過程就是機器學習。

機器學習的典型例子就是卷積神經網絡(convolutionneuralnetwork，CNN)，CNN由層狀神經元連接構成，模擬人腦通過不同的權重反映神經元之間的相互依賴關系。每個神經元接受多個輸入信號，輸入信號的總和激活神經元;被激活的神經元再輸出信號，決定下一層神經元的狀態(tài)，直至最后一層神經元輸出感興趣的值，做出分類決策或閾值估算等。但是，機器學習受限于計算能力和樣本大小。

隨著神經元數量的增加，學習過程的復雜性和所需樣本量增加。過去只能通過從原始數據中手工提取特征來減少神經元的數量。現在，深度學習可以通過自動學習樣本解決這一問題。深度學習模擬人類神經網絡，采用多層神經元級聯學習，通過組合多個非線性處理層對原始數據進行逐層抽象，從數據中獲得不同層面的抽象特征，以此進行分類預測。深度學習在語音識別、圖像識別、藥物活性預估等領域中已經達到甚至超過人類水平。其優(yōu)點在于，深度學習用非監(jiān)督式或半監(jiān)督式的特征學習和分層特征提取高效算法，替代了手工獲取特征。目前已出現多種超聲心動圖軟件包借助AI技術，協(xié)助圖像分析，用于評估心臟結構、功能。

2.人工智能協(xié)助三維超聲評估心腔容積、左心室射血分數

過去，三維超聲心動圖測定心腔容積、左心射血分數(leftventricularejectionfraction，LVEF)需要手工描繪心內膜邊界，主觀性強、耗時長，限制了三維超聲容積測量在臨床中的應用。HeartModel(philipshealthcare，USA)是一種新的基于AI技術的自動化軟件，能直接量化三維經胸超聲心動圖的左心室、左心房容積和LVEF。該軟件數據庫包含了1000例三維超聲經胸數據集。

通過心電識別左室舒張末期，確定整體結構，根據運動分析確定收縮末期左室腔;結合三維超聲心動圖數據中的整體形狀、曲率和體積，從數據集中選擇最佳匹配的模型;經適應性調整，使模型局部適應被檢測者的容積。如果超聲心動圖醫(yī)師對顯示的輪廓不滿意，能夠手動編輯修改。

Tsang等對159例患者進行研究，使用Heartmodel自動分析左心房、左心室容積和LVEF，結果發(fā)現該方法具有可行性，與金標準心臟磁共振數據相關性高(r=0.84，0.93，0.85)，并且比全手動分析耗時短(26±2)svs(144±32)s，(P<0.001)。另一款基于AI技術的軟件包(AutoLV，TomTec-arena1.2，TomTecImagingSystems，Germany)應用針對圖像的機器學習算法，也能自動檢測心內膜邊界。

Knackstedt等采用該軟件包，針對多中心255名研究對象進行研究，采用軟件全自動描繪分析圖像、輸出LVEF，與超聲心動圖專家手工描記心內膜輪廓、通過雙平面Simpson法測量的LVEF相比較，發(fā)現軟件分析和專家手動分析的結果具有較好的一致性(ICC:圖像質量較差組0.79，圖像質量佳組0.83)，軟件獲得LVEF僅耗時(8±1)s，還發(fā)現軟件輸出的左心室收縮末期縱向應變(longitudinalstrain，LS)能反映左心室收縮功能(LVEF=2×LS+20，r=0.92，P<0.001)。該研究證明了AI全自動分析左心室收縮功能的可行性、準確性。可見，AI技術能提供可重復的心腔結構、功能的定量測量，但是，基于AI的圖像分析仍然依賴圖像質量;與金標準磁共振提供的心腔結構、功能的定量測量有較好的相關性，但在容量評估時仍存在低估;不同廠家的AI算法不同，無統(tǒng)一標準。

3.人工智能協(xié)助三維食道超聲評估瓣膜病

準確評估瓣膜結構是瓣膜病手術的關鍵。目前，實時三維超聲心動圖已經不依賴形態(tài)假設，能自動評估主動脈或二尖瓣病變，使瓣膜分析可視化，但是，圖像描繪分析仍依賴于專業(yè)經驗，耗時長，需要大量的人力投入。智能解剖超聲技術(anatomicalintelligenceultrasound，AIUS)以超聲圖像與醫(yī)學解剖模型的大數據為基礎，通過器官模型的建立和自適應系統(tǒng)技術，使計算機能自動識別組織解剖結構，并進行定量分析。

Jin等回顧分析了90例退行性二尖瓣脫垂(mitralvalveprolapse，MVP)患者的三維經食管超聲資料，進行二尖瓣重建，以手術結果為金標準，結果發(fā)現，全手動分析情況下，非專家(既往三維超聲二尖瓣分析<10例)相比超聲心動圖專家(既往三維超聲二尖瓣分析>500例)的準確性顯著降低(83%vs95%，P<0.001);使用AIUS能顯著提高非專家的準確性(從83%提高到89%，P=0.003)，尤其A3分區(qū)(從81%提高到94%，P=0.006)和P1分區(qū)(從78%提高到88%，P=0.001)的準確性，這可能與A3、P1分區(qū)的解剖變異度大、描繪困難有關;另外，使用AIUS能顯著節(jié)省圖像描繪分析時間〔專家分析:(1.9±0.7)minvs(9.9±3.5)min，P<0.0001;非專家分析(5.0±0.5)minvs(13±1.5)min，P<0.0001〕。

Choi等以32例主動脈瓣反流患者為研究對象，分別使用二維彩色血流匯聚法(two-dimensionalproximalisovelocitysurfacearea，PISA)和三維全容積彩色多普勒超聲心動圖(three-dimensionalfullvolumecolorDopplerechocardiography，3DE-FVCDE)評估主動脈瓣反流，以心臟磁共振成像為金標準，發(fā)現3D-FVCDE測定的主動脈瓣反流體積與磁共振的相關性和一致性優(yōu)于2D-PISA(3D-FVCDE:r=0.93，2D-PISA:r=0.76，P<0.001);同時，3D-FVCDE能評估偏心反流及反流多束者，而2D-PISA無法評估這兩類反流。因此，3DFVCDE能定量評估主動脈環(huán)和主動脈根部病變，進一步協(xié)助選擇經導管主動脈瓣置換瓣膜的大小，減少與患者錯配的概率?？梢?，AI技術協(xié)助評估瓣膜病具有可行性，減少了操作步驟，同時大幅提高定量結果的準確性和重復性。

4.人工智能運用于心肌病的診斷

臨床診斷是將未知病人病情與過去典型病例聯系起來的過程。這一過程也能通過AI完成。Sengupta等建立了一種聯想記憶分類的機器學習算法，先對47例無結構性心臟病對照者的斑點追蹤超聲心動圖數據進行歸一化處理后，針對50例縮窄性心包炎和44例限制性心肌病患者進行鑒別研究，以手術病理為診斷金標準，發(fā)現聯想記憶分類器使用斑點跟蹤超聲心動圖參數時的受試者工作特征曲線的曲線下面積(areaundercurve，AUC)為89.2%的，增加另外4個超聲心動圖變量(e'，E/e'，室間隔厚度、左室后壁厚度)后，AUC提高到96.2%。

整合斑點追蹤超聲心動圖參數到機器學習模型這一技術也能區(qū)分運動員生理性左室肥大與肥厚性心肌病。因此，AI機器學習運用于超聲心動圖診斷是可行的，能協(xié)助診斷。但是，AI技術中深度學習這一領域的算法復雜，非專業(yè)領域人員難以理解，影響算法推廣，需要計算機領域與醫(yī)療領域進一步合作。

綜上所述，人工智能正在改變超聲心動圖的應用前景，在醫(yī)療影像領域將會有更廣闊的應用。多個供應商的軟件程序已納入AI技術進行圖像的自動化分析，目前三維超聲心動圖和斑點追蹤的自動化顯示了很高的可行性、準確性和重復性。另外，近來研究人員應用AI對胎兒超聲圖像進行識別檢測，提示AI在胎兒超聲心動圖中也有應用前景?；贏I的超聲心動圖臨床應用價值尚待進一步研究。