영국 전역 협업에서 가져온 공개 데이터를 활용한 인공지능 기반의 2차원 심장초음파 전반적인 종적 변형

전반적인 종적 변형(Global longitudinal strain, GLS)은 박출 분율보다 더 재현 가능하고 예후 지표로 보고되고 있다. 자동화된 투명한 방법은 신뢰와 활용도를 높일 수 있다. 저자들은 공개 기계 학습 기반의 GLS 방법론을 개발하고 Unity UK Echocardiography AI Collaborative의 다수 전문가 합의로 이를 검증하였다. 우리는 6,819개의 정점 4-, 2-, 3-심장 이미지를 사용하여 링, 정점, 심내막 곡선을 식별하는 다중 이미지 신경망(Unity-GLS)을 훈련시켰다. 외부 검증 데이터셋은 100개의 심장 초음파에서 이 3종의 관점을 포함하였다. 종말 수축 및 이완 프레임은 각각 11명의 전문가에 의해 레이블이 붙여져 합의 궤적과 포인트를 형성하였다. 그들은 또한 종적 기능의 시각적 평가를 통해 심장 초음파를 정렬하였다. 한 전문가가 2개의 독점 패키지를 사용하여 전반적인 변형을 계산하였다. 11명의 개별 전문가의 평균을 통해 얻어진 중앙 GLS는 -16.1(IQR: -19.3에서 -12.5)였다. 각 사례의 전문가 합의 측정을 기준 표준으로 사용할 때, 개별 전문가 측정값의 중앙 절대 오차는 2.00 GLS 단위였다. 이와 비교하여 기계 방법의 오차는 다음과 같았다: Unity-GLS 1.3, 독점 A 2.5, 독점 B 2.2. 전문가 합의 값과의 상관관계는 개별 전문가가 0.85, Unity-GLS가 0.91, 독점 A가 0.73, 독점 B가 0.79였다. 다수 전문가 시각적 순위를 기준으로 할 때, 개별 전문가 변형 측정값은 중앙 순위 상관관계 0.72, Unity-GLS 0.77, 독점 A 0.70, 독점 B 0.74를 기록하였다. 우리의 오픈 소스 GLS 계산 접근법은 전문가들의 합의와 개별 전문가 측정값 및 독점 기계 솔루션과 강하게 일치한다. 훈련 데이터, 코드 및 훈련된 네트워크는 온라인에서 무료로 제공된다.