当前位置: 首页 > 学术 > 正文

卢龙教授课题组在《数字医学》发文探讨迁移学习技术在先天性心脏病筛查中的应用

发布时间:2023-08-16浏览次数:

(通讯员张康辉) 8月12日,医学信息学/卫生保健科学与服务领域顶刊npj Digital Medicine(《数字医学》)发表研究论文“A multicenter study on two-stage transfer learning model for duct-dependent CHDs screening in fetal echocardiography”(《一项在胎儿超声心动图中使用两阶段迁移学习模型进行导管依赖性先天性心脏病筛查的多中心研究》)。我院2020级博士生唐嘉杰为第一作者,2023级博士生姜钰璇为第三作者,2021级博士生张康辉和2022级博士生祝帆帆参与研究。我院卢龙教授为共同通讯作者。

该研究聚焦使用迁移学习技术进行导管依赖性先天性心脏病的智能筛查。导管依赖性先天性心脏病是一种严重的先天性心脏疾病,在欠发达国家和地区的检出率尤其较低。虽然已有研究致力于分析胎儿心脏结构识别模型,但对胎儿心脏的主动脉长轴的综合评价仍然相对欠缺。该研究采用了6698张图像和48段视频,开发并测试了一个名为DDCHD-DenseNet的两阶段深度迁移学习模型,用于便捷和快速地筛查严重的导管依赖性先天性心脏病。该模型在四个多中心测试集上分别取得了0.973、0.843、0.769和0.759的灵敏度,以及0.985、0.967、0.956和0.759的特异性。热力图分析结果显示该模型能够准确聚焦超声影像中的病灶区域,人机对比结果表明该模型在目标切面的疾病筛查效果优于中级职称医生,并接近高级职称医生。综合结果表明,DDCHD-DenseNet有望成为一种有前途的可用于分级护理和计算机辅助诊断的自动筛查工具。该研究促进了人工智能技术在产前诊断领域的应用,拓宽了基于数据驱动的人工智能技术在医学信息领域的研究范围。

此外,该研究还初步探讨了真实临床场景中的医疗资源利用问题。针对现有研究中排除未满足实验条件的医疗数据而造成部分医疗知识被浪费的情况,提出了一种迁移学习方法,借鉴人类学习迁移模式的灵感,通过设置由易到难和由难到易的深度学习模式进行知识迁移,实验证明了该方法在数据驱动开发过程中能够利用通常被舍弃的非特定数据集中的医疗知识,为临床场景中医学数据的治理和利用提供了新的研究方向。

据悉,npj Digital Medicine是中国科学院医学一区Top期刊,目前影响因子为15.2。Web of Science 期刊分区为Q1,在全球105个卫生保健科学与服务领域的期刊中排名第一,在全球31个医学信息学领域的期刊中排名第二。(责编范秋砚

论文链接:https://doi.org/10.1038/s41746-023-00883-y