LVEF Prediction During ACS Using AI Algorithm Applied on Coronary Angiogram Videos
PulseAugur coverage of LVEF Prediction During ACS Using AI Algorithm Applied on Coronary Angiogram Videos — every cluster mentioning LVEF Prediction During ACS Using AI Algorithm Applied on Coronary Angiogram Videos across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型AI模型Echo-E3Net可高效估计心脏射血分数
研究人员开发了Echo-E$^3$Net，这是一种新颖的深度学习模型，用于从心脏影像中高效估计左心室射血分数（LVEF）。该网络明确融入了心脏解剖结构，以提高准确性并降低计算需求，使其适用于床旁超声等资源受限环境的实时部署。与现有方法相比，该模型以显著更少的参数和更低的计算成本实现了具有竞争力的性能。
-
DINOv2框架统一心脏评估任务，改进LVEF估计
研究人员开发了一个使用DINOv2基础模型解决三个不同心脏评估任务的统一框架：左心室射血分数（LVEF）估计、基于全局纵向应变（GLS）的功能障碍分类以及早期心脏毒性预测。该框架采用参数高效的低秩自适应（LoRA）和时间聚合，无需心动周期分割或明确的舒张末期/收缩末期标注即可运行。一个专门的ED/ES引导模型进一步提高了LVEF估计性能，平均绝对误差为4.64%。
-
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。
-
基础模型适配心脏MRI分析，实现强大的分割和射血分数估计能力
研究人员已将基础模型应用于心脏MRI扫描分析，在cine MRI不同视角的分割和射血分数估计方面取得了优异成果。这些模型在短轴、两腔和四腔视角的cine分割中展现出高Dice分数。尽管LGE瘢痕分割仍具挑战性，但直接射血分数回归模型实现了较低的平均绝对误差和较高的Pearson相关系数，表明这些适配的基础模型在多视角心脏分析中的有效性。
-
深度学习模型利用ECG生物标志物预测心脏骤停
研究人员开发了一种深度学习模型，能够识别预测心脏骤停的心电图（ECG）生物标志物。这种人工智能驱动的方法在与传统的基于左心室射血分数（LVEF）的风险分层方法相比时，表现出更优越的性能。该模型的有效性已在来自瑞典、美国和台湾的不同患者队列中得到验证。