顶刊速看:《Communications Medicine》 IF=14.7 基于深度学习的超声心动...

1研究介绍

1.1 目的

（1）解决在医学图像识别中需要大量专家标注数据的难题，通过使用少量标记数据实现高效的模型训练和诊断。

（2）针对超声心动图这种视频模态的医学影像，改进SSL方法，使其能够处理动态的、时间序列的医学数据。

1.2 方法

研究人员为超声心动图视频开发了一种自监督对比学习方法， EchoCLR ，其目标是学习有效的特征表示，以便在下游心脏疾病诊断中进行高效的微调。EchoCLR预训练包括：

• 对比学习，模型被训练以识别同一患者的不同视频；

• 帧重排序，模型被训练以预测视频帧在随机打乱后的顺序。

1.3 结果

在少量标记数据微调时， EchoCLR预训练 在LVH和AS的分类性能上显著优于其他迁移学习和自监督学习方法。

• 使用10%的训练数据进行微调，EchoCLR预训练模型在LVH分类上达到了0.72的AUROC值，相比标准迁移学习方法的0.61 AUROC值有显著提升。

• 使用1%的训练数据进行微调，EchoCLR预训练在严重AS分类上达到了0.82的AUROC值，同样显著高于迁移学习的0.61 AUROC值。

2 数据介绍

2.1 数据来源