根据加州大学旧金山分校的一项研究人员的研究，一种被称为高级机器学习的人工智能可以比心脏超声检查更快，更准确，更少数据地分类基本视图。

在npj 数字医学期刊上发表的一项研究中 ， 研究人员使用超过180,000个真实世界超声心动图(回波)图像来训练计算机评估最常见的超声心动图视图，然后对新样本的计算机和熟练的人类技术人员进行测试。他们发现，计算机准确地评估了91.7-97.8%的回声视频，而人类同行则为70.2-83.5%。

“这些结果表明我们的方法可能有助于超声心动图提高其准确性，效率和工作流程，也可能为更好地分析超声心动图数据奠定基础，”资深作者 Rima Arnaout医学博士说，他是 加州 大学旧金山分校的健康心脏病专家和助理教授。加州大学旧金山分校心脏病学系。

成像是医学诊断的重要组成部分，但解释医学图像(如超声心动图)是一个复杂，耗时的过程，通常需要大量的培训。回声包括许多视频剪辑，静态图像和从十几个不同角度测量的心脏记录，或“视图”，其中几个可能只有微妙的差异。人工解释限制了准确和标准化的分析，从而限制了其精确医学的全部临床和研究潜力的回声。

深度学习是一种强大的，多层次的高级机器学习形式，已经证明在放射学，病理学，皮肤病学和其他领域中基于图像的诊断是有用的。然而，它尚未被广泛应用于超声心动图，部分原因在于其多视图，多模态格式的复杂性。

在 npj 数字医学 研究中，Arnaout及其同事使用了来自267名UCSF医疗中心患者的223,787张图片，这些患者年龄介于20-96岁，从2000年至2017年获得。随机选择的真实世界回声图像来自多个设备制造商，涵盖各种回声指示，技术质量和患者变量，包括性别和体重。

研究人员构建了一个多层神经网络，并使用监督学习同时对15个标准视图进行分类。他们随机选择80%的图像(180,294)进行培训，并保留20%(43,493)进行验证和测试。为了进行性能比较，参与研究的每位经过董事会认证的超声心动图检查者获得1,500个随机选择的图像，每个视图100个，从给予模型的相同测试集中抽取。

Arnaout说，总体而言，计算机将视频分为12个视频，准确率为97.8%。即使在单个低分辨率图像上，15个视图的准确率为91.7%，而超声心动图的准确率为70.2%到83.5%。附加分析显示该模型在相关视图中发现了可识别的相似性，并使用临床相关图像特征进行分类。

除了这些发现之外，研究人员还了解到，通过去除颜色并标准化视频和静止图像的尺寸和形状进行训练，图像可以减小文件大小而不会降低其准确性，从而减少存储空间并简化传输。

“我们的模型可以扩展到对超声心动图观察的其他子类别，以及疾病，具有研究基础，临床实践以及培训下一代超声心动图的工作进行分类，”Arnaout说道。 加州大学旧金山分校计算健康科学研究所。