多视图深度学习提升超声心动图对主要心脏疾病的检测能力

医学成像通常捕捉三维解剖结构的多个二维视图，但大多数人工智能（AI）模型分析的是二维数据。本文研究表明，使用单一AI模型整合多个成像视图可以提高诊断性能。我们开发了一种深度神经网络（DNN）架构，能够同时融合来自多个视频视图的信息。利用加州大学旧金山分校和蒙特利尔心脏研究所的超声心动图数据，我们将多视图DNN方法应用于三项主要演示任务：检测任何左心室或右心室异常、舒张功能障碍以及显著瓣膜反流。在不同任务中，与基于单一视图训练的DNN相比，我们的多视图DNN将受试者工作特征曲线下面积衡量的判别能力提高了0.06-0.09。这表明能够同时整合多视图信息的AI模型能更好地捕捉复杂解剖结构和生理特征，从而突显了多视图范式在医学影像AI中的重要价值。