Viacúlohová umelá inteligencia na anotáciu echokardiografických snímok: retrospektívna viackohortnová štúdia

Výskumný tím vyvinul EchoNet-Segmentation, systém hlbokého učenia určený na automatizované meranie echokardiografických parametrov. Systém bol trénovaný na 186 712 snímkach od sonografov z 93 978 štúdií (56 855 pacientov) v Cedars-Sinai Medical Center. Model dosahuje vysokú zhodu s meraniami sonografov pri meraní rýchlostno-časového integrálu (VTI) s hodnotou R² 0,817-0,882 a priemernou absolútnou chybou 1,13-3,80 cm. Pri segmentácii ľavej a pravej predsieňovej plochy dosiahol R² 0,675-0,747 s chybou 2,48-2,52 cm². Výkon bol overený na viacerých nezávislých súboroch údajov vrátane externej kohorty Kaiser Permanente a verejného MIMIC-Echo datasetu. EchoNet-Segmentation prekonala existujúce open-source modely a preukázala robustnosť na rôznych značkách echokardiografických prístrojov. Tento framework je prvý open-source systém, ktorý poskytuje presné a zovšeobecniteľné automatizované merania kľúčových echokardiografických parametrov.