echocardiography
PulseAugur coverage of echocardiography — every cluster mentioning echocardiography across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法估算超声心动图临床指标的不确定性
研究人员开发了一种新的方法，通过关注等高线采样而非传统的分割来估算超声心动图临床指标的不确定性。该方法明确预测等高线位置的不确定性，从而可以将这种不确定性传播到下游临床指标，如左心室容积和射血分数。该方法在包含 1264 名患者的公共和私有心脏超声数据集上均展示了准确的不确定性估算。
-
新的 CardioFAD 框架可从稀疏数据合成心脏动力学
研究人员开发了 CardioFAD，一个从极度稀疏的观测数据合成心脏动力学信息的新框架。该方法通过将问题重新表述为发现足以恢复轨迹并可靠与心电图 (ECG) 信号对齐的锚点状态，来解决恢复完整心脏动力学的挑战。CardioFAD 范式包括聚焦 (Focus) 和对齐 (Align) 模块，针对运动显著性和模态间对应关系进行优化，然后是生成关键帧并插值其余帧的扩散 (Diffuse) 模块。在心脏 MRI 和超声心动图视频上的实验表明，…
-
一篇被撤稿的研究论文探讨了多组学与心血管影像的整合
一篇已被撤稿的研究论文探讨了将各种多组学数据与心血管影像技术相结合。该研究旨在将来自超声心动图、MRI和CT扫描的影像表型与来自批量、单细胞和空间转录组学的分子数据联系起来。文章回顾了多模态融合方法，并讨论了诸如缺失数据和批次效应等挑战，重点关注放射组学和空间分子对齐在心血管领域的转化应用。
-
新型AI模型LAMAE整合多模态医疗数据以改进患者表征
研究人员开发了一种新的多模态AI模型，称为潜在注意力掩码自编码器（LAMAE），旨在从多样化的医疗数据中学习患者层面的表征。与以往通常单独处理模态的旧模型不同，LAMAE使用共享注意力模块直接在潜在空间中整合信息。这种方法使其能够处理缺失数据并聚合可变观测值，在对超过50万次MIMIC-IV住院记录进行训练后，其在预测院内死亡率和编码等任务上的表现优于现有方法。
-
新的心电图基础模型利用多源临床数据增强健康监测
研究人员开发了一种新的心电图（ECG）分析基础模型，名为MS-ECG-FM。与以往仅依赖心电图解读报告的模型不同，MS-ECG-FM通过与多种临床笔记类型（包括超声心动图、放射学和出院报告）进行对比学习对齐进行训练。这种多源方法使模型能够捕捉心电图数据中存在的更广泛的诊断信号，从而在各种检测基准上取得优越的性能，即使在减少导联的配置下也是如此。
-
用于结核病筛查的超声预训练显示出有限的领域优势
研究人员调查了从超声心动图预训练迁移到肺部超声用于结核病筛查的有效性。尽管共享相似的成像物理学，但在通用视频上预训练的潜在预测视频编码器 (V-JEPA2-L) 的表现与其特定于超声心动图的对应物 (EchoJEPA-L) 相当。研究发现，编码器和分类器之间的特征条件化显著提高了多种编码器架构的性能，这表明对于此特定应用，标记队列的大小比预训练领域更关键。
-
深度学习框架校正超声跟踪中的心肌应变漂移
研究人员开发了一个深度学习框架，用于校正超声心动图心肌应变跟踪中的时间漂移。这种新方法结合了持久记忆令牌，以便在滑动窗口之间共享信息，确保跟踪点在心动周期内返回其初始位置。采用了师生微调策略来强制执行生理一致性并提高跟踪精度，从而为临床实践提供更可靠的应变估计。
-
混合量子-经典模型提高了心脏超声准确性
研究人员开发了QuantumBoostNet，这是一种新颖的混合经典-量子架构，旨在提高心脏超声图像识别的准确性。该模型结合了经典骨干网络和经典及量子输出头，并使用10个量子比特的量子电路作为其量子组件。实验表明，即使量子比特数量有限，QuantumBoostNet的性能也优于现有的经典和混合模型，并且对噪声具有鲁棒性，这表明其在专业医学成像应用中具有潜力。
-
新的SPARC管线可自动重建胎儿心脏MRI
研究人员开发了一种名为SPARC的新管线，用于从二维+时间采集的切片重建三维+时间胎儿心脏MRI (fCMR)。该管线结合了基于物理的切片到体三维重建与用于胸部分割和解剖学重新定向的深度学习模型。SPARC显著缩短了重建时间，与现有方法相比减少了十倍，并在分割和重新定向方面表现出高精度。该系统在大多数情况下能够实现全自动处理，适合临床部署。
-
视觉Transformer高精度地从心电图中检测心脏病
研究人员开发了一种视觉Transformer模型，能够从标准心电图（ECG）中检测左心室射血分数（LVEF）降低。该模型在多个临床中心的10,000多名患者身上进行了训练，在外部验证队列中达到了0.88的AUROC。该模型的注意力图突出了对QRS波群的关注，提供了可解释性，并表明常规心电图可以作为识别需要进一步超声心动图检查的患者的可扩展筛查工具。
-
三星 AI 模型实现实时智能手表心脏诊断
Samsung Research America 推出了两款新的人工智能模型 xMAE 和 HiMAE，专为在设备上解读心电图 (ECG) 和光电容积脉搏波描记法 (PPG) 数据而设计。这些模型能够直接在智能手表上进行高级心脏诊断，处理信息的时间不到一毫秒。这项创新旨在超越被动健康追踪，实现更积极、实时的医疗洞察。
-
人工智能识别出心脏病死亡风险的新心电图标志
研究人员（包括 Ziad Obermeyer 医生）开发了一个人工智能系统，该系统能够利用心电图 (EKG) 数据识别有猝死高风险的患者。该人工智能模型分析了瑞典卫生系统六年的心电图读数，识别出一个高风险群体，其年心脏病死亡风险为 7.0%，这比目前的心脏超声检查方法有了显著改进。人工智能确定了心电图“aVL”导联中的一个特定改变是关键指标，为确定谁可能受益于植入式心律转复除颤器 (ICD) 提供了一个更精确的工具。
-
新研究质疑医疗领域人工智能模型的可解释性
研究人员开发了一种新方法来评估概念瓶颈模型的可解释性，特别是在超声心动图等临床应用中。他们发现，仅仅准确预测结果是不够的；中间变量或“概念”也必须具有物理意义。通过在超声心动图数据上训练视频 Transformer 编码器，他们证明了仅为射血分数预测进行优化的模型可能会产生不准确的容积估计，因为目标函数对于缩放是不变的。在绝对单位中添加监督显著提高了这些中间容积预测的准确性，这凸显了验证概念层不仅仅是预测准确性的重要性。
-
新方法量化超声心动图分割中的域偏移
研究人员开发了量化和预测超声心动图左心室分割中域偏移的方法，这是临床部署的关键挑战。他们的研究发现，几何不一致性而非声学差异是造成这种偏移的主要原因。所提出的技术可以在部署前估计域偏移对分割性能的影响，预测模型取得了显著的准确性。
-
ECG-LLM：用于从心电图数据进行心脏推理的基础模型
研究人员开发了ECG-LLM，这是一种新颖的大型语言模型，用于使用心电图（ECG）数据进行心脏推理。该模型在来自186,000名患者的超过679,000项ECG研究上进行了训练，它采用多模态方法，仅凭ECG信号即可回答各种心血管问题。ECG-LLM可以准确预测通常需要超声心动图或心脏磁共振成像等高级成像的复杂心脏表型，并且在ECG理解任务上达到或超过了现有基准。
-
新AI框架融合运动与视觉以进行心肌梗死定位
研究人员开发了MCF-Net，一种使用超声心动图定位心肌梗死的新型框架。该系统融合了EchoPrime基础模型的视觉特征与心脏运动线索，解决了单视角分析和不可靠的节段级定位的局限性。MCF-Net利用稀疏监督进行运动建模，并通过运动条件融合机制整合跨视角信息，从而提高了心肌梗死定位的准确性。
-
心脏健康AI模型在空间上准确但在时间上盲目
一篇新发表在arXiv上的研究论文，调查了用于解释超声心动图深度学习模型决策的归因方法。研究发现，虽然这些模型可以准确估算左心室射血分数（EF），并且其解释在空间上是忠实的，但它们在时间上是盲目的。这意味着模型并不可靠地关注定义EF的关键收缩末期和舒张末期帧，尽管它们似乎关注了正确的解剖区域。这些发现警示不要仅仅依赖空间归因来验证视频诊断模型，并强调了对时间感知训练和评估的必要性。
-
人工智能在心脏淀粉样变性诊断中的应用综述
一篇新的综述文章详细介绍了人工智能在心脏淀粉样变性诊断通路中的应用。该文章将人工智能模型按临床任务进行分类，如筛查、检测、量化、预后和治疗反应监测，而不是按输入模态分类。虽然人工智能辅助检测和量化，特别是使用骨闪烁显像和SPECT/CT，已接近临床转化，但亚型分类、预后风险分层和治疗反应监测等任务仍处于早期开发阶段。
-
Fitbit Air 心率准确性与心电图监测器进行对比测试
一位用户将 Fitbit Air 的心率监测准确性与一款被描述为“心电图级准确”的设备进行了对比测试。据报道，这次对比的结果令人惊讶。测试旨在评估谷歌最新健康追踪设备的精确度。
-
新研究比较部分标记数据超声心动图分割的损失函数
一项新近发表在arXiv上的研究评估了三种损失函数——aCCE损失、边际损失和aBCE损失——在利用来自多个域的部分标记数据进行深度学习超声心动图分割中的表现。研究发现，这三种函数在域内任务上表现均良好。在域间任务中，当缺少一个标签时，aBCE和边际损失表现更优；当缺少多个标签时，边际损失表现最佳，证明了其在复杂场景下的鲁棒性。