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
-
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。
-
EchoRisk 数据集发布，用于癌症患者的心脏毒性早期预测
研究人员推出了 EchoRisk，这是一个新颖的数据集和基准，旨在推进癌症治疗引起的心脏毒性的自动化风险分层。这个多中心数据集源自欧盟资助的 CARDIOCARE 研究，包含来自五个欧洲站点的 422 名患者的 2000 多个心脏超声心动图视频，并带有明确的心脏毒性标签。该数据集支持三个明确的任务：自动射血分数估算、左心室功能障碍分类以及从基线成像中早期预测心脏毒性，旨在促进心脏肿瘤学领域的研究。
-
新型EchoSonar-R模型通过多视图推理增强超声心动图分析
研究人员开发了EchoSonar-R，这是一种新颖的支持多视图推理的视觉语言模型，用于超声心动图分析。该模型旨在通过集成时空视频编码器和结构感知心脏检测器来改进疾病分类和报告生成。EchoSonar-R采用两阶段训练过程，包括监督微调和强化学习，通过基于视觉证据的推理轨迹来增强可解释性和临床医生的信任度。该模型在私有和公共基准测试中均显示出准确性显著提高，优于现有基线。
-
UltraStar 使用星图改进超声心动图导航
研究人员开发了 UltraStar，一种新颖的超声心动图导航方法，将历史扫描数据建模为星图。该方法将历史关键帧作为空间锚点连接到当前视图，明确建模几何约束以实现精确的定位。与之前会过拟合噪声轨迹的顺序模型不同，UltraStar 使用语义感知的采样策略从大量的历史日志中选择代表性地标，减少了冗余并提高了准确性。对超过 131 万个样本的数据集进行的实验表明，UltraStar 的性能优于现有方法，并且在更长的输入序列下具有更好的可扩展性。
-
新的HypoProto框架增强了超声心动图中小梁充盈压分类的可解释性
研究人员开发了HypoProto，一种使用超声心动图（echo）数据对左心室充盈压（LVFP）进行分类的新型框架。该方法利用双曲几何和序数原型来增强可解释性，解决了当前深度学习模型通常是黑箱的局限性。HypoProto旨在通过将原型沿着生理学尺度排列来提供更清晰的临床见解，并引入了一个名为HyperPAS的新损失函数来强制在双曲空间中进行分离。
-
AI模型Echo2ECG利用超声心动图数据增强心电图分析
研究人员开发了Echo2ECG，一个新颖的多模态自监督学习框架，旨在通过整合多视角超声心动图（Echo）的心脏形态数据来增强心电图（ECG）表示。该方法旨在实现直接从ECG预测形态表型，例如左心室射血分数，而这是传统ECG分析本身无法实现的。该框架在分类心脏表型和使用ECG查询检索相似Echo研究方面的能力得到了评估，证明其性能优于现有的单模态和多模态基线。
-
AI模型在诊断心脏瓣膜病症方面达到高准确率
研究人员开发了一种可解释的AI模型，用于从超声心动图图像诊断双瓣主动脉瓣（BAV）。该模型是一个在90个患者研究中训练的堆叠集成模型，达到了0.907的F1分数和0.877的召回率。Grad-CAM和SHAP值等技术被用于定位证据和量化贡献，确保了透明度和可审计性。这项AI技术有助于更早地检测BAV，尤其是在缺乏专业知识的地区。
-
EchoTracker2模型增强超声心动图中的心肌点追踪
研究人员开发了EchoTracker2，一个旨在改进超声心动图中心肌点追踪的新模型。该模型专注于一个仅细粒度阶段的架构，该架构将像素级精确特征与局部时空上下文和长程时间推理相结合。实验表明，与现有的领域特定模型相比，EchoTracker2将位置精度提高了6.5%，并将中值轨迹误差降低了12.2%，同时还显示出与专家得出的应变测量结果更好的一致性。