تجزیه و تحلیل تصویربرداری قلب

تجزیه و تحلیل تصویربرداری قلب

در سال های اخیر، با ظهور یادگیری عمیق، تجزیه و تحلیل تصویربرداری قلبی چشم انداز توسعه بزرگی را نشان داده است. یادگیری عمیق می تواند به تجزیه و تحلیل آنژیوگرافی عروق کرونر، اکوکاردیوگرافی و الکتروکاردیوگرام (ECG) کمک کند. مداخله قلبی درمان اصلی بیماری های قلبی عروقی در دهه های اخیر از جمله CHD و سندرم حاد کرونری (ACS) بوده است. در آینده نزدیک، با استفاده از یادگیری عمیق، هوش مصنوعی می‌تواند پلاک‌های آترواسکلروتیک کرونر را با دقت بیشتری نسبت به پزشکان شناسایی کند. علاوه بر این، AI همچنین می تواند برای تجزیه و تحلیل تصاویر اکوکاردیوگرافی، از جمله اندازه گیری خودکار اندازه هر اتاق و ارزیابی عملکرد بطن چپ استفاده شود. علاوه بر این، می توان از آن برای ارزیابی بیماری های ساختاری، مانند بیماری دریچه ای، برای کمک به تعیین طبقه بندی و مرحله بندی بیماری استفاده کرد.

ریما آرناوت، استادیار دانشگاه کالیفرنیا، سانفرانسیسکو، شبکه‌های عصبی کانولوشنال را با استفاده از اکوکاردیوگرافی 267 بیمار تصادفی شده (محدوده سنی: 20 تا 96 سال) بین سال‌های 2000 تا 2017 از مرکز پزشکی دانشگاه ساخت. از این منظر، 223000 تصویر به پانزده دسته تقسیم شدند. علاوه بر این، این الگوریتم طبقه بندی در رقابت طبقه بندی تصاویر سونوگرافی قلب از پزشکان قلب و عروق انسان بهتر عمل کرده است.[18] مطالعه دیگری از صمد و همکاران.[19] نشان داد که یادگیری عمیق می تواند بقا را با دقت بالاتر پس از تجزیه و تحلیل اکوکاردیوگرافی موارد متعدد پیش بینی کند. از دیگر کاربردهای هوش مصنوعی در آنالیز تصویربرداری قلب می‌توان به سونوگرافی داخل عروقی (برای تشخیص مرز لومن و مدیا-آدونتیتیا)، [20] توموگرافی انسجام نوری (برای طبقه‌بندی سه لایه شریان کرونر)، [21] اشاره کرد. ] توموگرافی کامپیوتری با انتشار تک فوتون قلب (برای تشخیص ایسکمی میوکارد[22] و برای بهبود دقت تشخیصی تصویربرداری پرفیوژن میوکارد)[23] و MRI (برای تجسم کارآمد و سریع تقسیم‌بندی قلب در کوتاه مدت MRI محور).[24] همانطور که مشخص است، تصویربرداری قلب و عروق یکی از مهم ترین استانداردها برای تشخیص CVD است. در آینده، یادگیری عمیق تشخیص تصویربرداری را قابل اطمینان تر، آسان تر و سریع تر به دست آوردن نتایج می کند.