编辑推荐：
AI模型通过分析经食管超声心动图图像准确检测感染性心内膜炎赘生物，YOLO和DETR架构在患者和帧级诊断中均表现优异，AUROC达0.91，可辅助非专科医生提升诊断效率。
感染性心内膜炎（IE）是一种危及生命的疾病，常与被称为“赘生物”的心内膜病变相关。根据当前的标准诊疗流程，检测和表征这些病变对于正确诊断和管理该疾病至关重要。然而，目前的人工分析技术存在严重局限性，例如测量方法非常基础，且操作者间的差异性较大。本研究是一项回顾性观察性研究，涉及7家医院的329名IE患者。我们开发了一个基于人工智能的模型，用于检测经食道超声心动图（TEE）图像中的赘生物。我们从两个层面评估了该系统的准确性：一是帧级别的赘生物检测（即回答“该图像中是否存在赘生物，如果存在，它们位于何处？”这一问题）；二是患者级别的赘生物诊断（即“该患者是否患有赘生物？”）。在基于人工智能的模型框架内，我们评估了两种不同的架构——YOLO和DETR，并对其性能进行了比较分析。该模型展现了强大的诊断能力，接收者操作特征曲线下面积（AUROC）达到0.91（平均阳性预测值=0.81，真正例率=0.83）。帧级别的赘生物检测也取得了良好的性能指标（阳性预测值=0.83，真正例率=0.75）。该算法在检测赘生物和识别患有赘生物的患者方面表现出色，有助于非专业心脏病医生更便捷、更快速地诊断IE。
感染性心内膜炎（IE）是一种危及生命的疾病，常与被称为“赘生物”的心内膜病变相关。根据当前的标准诊疗流程，检测和表征这些病变对于正确诊断和管理该疾病至关重要。然而，目前的人工分析技术存在严重局限性，例如测量方法非常基础，且操作者间的差异性较大。本研究是一项回顾性观察性研究，涉及7家医院的329名IE患者。我们开发了一个基于人工智能的模型，用于检测经食道超声心动图（TEE）图像中的赘生物。我们从两个层面评估了该系统的准确性：一是帧级别的赘生物检测（即回答“该图像中是否存在赘生物，如果存在，它们位于何处？”这一问题）；二是患者级别的赘生物诊断（即“该患者是否患有赘生物？”）。在基于人工智能的模型框架内，我们评估了两种不同的架构——YOLO和DETR，并对其性能进行了比较分析。该模型展现了强大的诊断能力，接收者操作特征曲线下面积（AUROC）达到0.91（平均阳性预测值=0.81，真正例率=0.83）。帧级别的赘生物检测也取得了良好的性能指标（阳性预测值=0.83，真正例率=0.75）。该算法在检测赘生物和识别患有赘生物的患者方面表现出色，有助于非专业心脏病医生更便捷、更快速地诊断IE。
生物通 版权所有
