神经网络在医学上的早期应用使用了数十万个病例来显示基于图像的诊断的医生水平的准确性，例如皮肤癌和糖尿病视网膜病变。此后，在心脏成像中，卷积神经网络（CNN）和其他机器学习算法在执行特定任务和生成新知识方面有着广泛的应用。这些病例大多有数百例，主要集中在成人左心室，但也有集中在右心室的病例。

心血管磁共振(CMR)成像是一种无创、安全的成像方式，在先天性心脏病中的应用越来越广泛。CMR通常被认为是测量心室容积和功能的金标准成像方式，因为与超声心动图相比，计算这些参数可以在最小的空间假设下完成。

法洛四联症是先天性心脏病 CMR 最常见的指征，原因之一是右心室 (RV) 具有复杂的 3 维形状，难以用 2D 成像方法很好地询问，以及 RV 体积和功能是修复法洛四联症 (rTOF) 患者进行肺动脉瓣置换术的关键指标，可能与结果有关。心室容积和功能通过轮廓计算，其中勾勒出心室肌的心内膜和心外膜表面，然后使用圆盘法求和。因此，绘制心室轮廓以确定容积和功能是CMR后处理的一个组成部分，但轮廓绘制是一个耗时的过程，具有观察者内部和观察者之间固有的可变性。

对于一个心脏形状正常的成人CMR，据报道，轮廓测量大约需要20分钟；对于一个复杂的先天性心脏病患者，手动轮廓无疑需要更长的时间。因此，此任务是自动化的理想目标。

最近，机器学习技术，即神经网络，已被开发自动化心室轮廓。例如，Bai等人最近使用了来自英国生物银行(UKBB)的4875项CMR研究来训练CNN自动生成心室轮廓。他们用3975名受试者训练神经网络，300名验证受试者调整模型参数，最后用600名测试受试者评估性能。UKBB CMR数据集主要由英国的健康成年人组成（平均63.4%）± 7.56岁，52%为女性，心脏结构正常。

如上所述，大多数机器学习CMR轮廓工具都是在心脏结构正常的成年人身上训练的。也有人提出了其他一些方法，来解决针对少数先天性心脏病病例的训练算法问题，但数量并不多。考虑到CMR值，特别是RV值对患有rTOF的儿童和成人的决策的重要性，改善先天性心脏病的轮廓以减少轮廓时间和潜在的减少变异性是至关重要的。

因此，笔者评估了用UKBB数据训练的CNN，并结合其他选定的病理，如肥厚性心肌病，但没有先天性心脏病。

笔者在rTOF中评估了其左室(LV)和左室(RV)轮廓的表现，在舒张末期(ED)和收缩期末期(ES)检测了左室心外膜(LV epi)、左室心内膜(LV endo)和左室内膜(RV endo)，这些是临床上最常绘制的轮廓。

假设，鉴于 RV 的形状更复杂且 rTOF 中 RV 扩张的可能性更高，该算法在绘制 RV 轮廓方面比 LV 更差，并且为算法添加 rTOF 训练数据将改善 rTOF 中的 LV 和 RV 轮廓绘制。笔者的研究是新颖的，因为笔者检查了一个潜在的方法来解决儿童心脏病的小病例数的问题。

通过使用现有的算法，在大量成人数据集上进行训练，在先天性CMRs上进行测试，然后用少量先天性CMRs对其进行改进，可以评估这种策略是否也适用于机器学习在儿科心脏病学中的其他用途。

此外，笔者还使用空间和体积计量学评估了算法的性能。

这项工作应该扩展到其他形式的先天性心脏病和更极端的结构异常。这方面的工作已经在临床实践中实施，代表了快速临床转化。

医博士编译: Tandon A, Mohan N, Jensen C, et al. Retraining Convolutional Neural Networks for Specialized Cardiovascular Imaging Tasks: Lessons from Tetralogy of Fallot. Pediatric Cardiology. 2021; 42(3). doi:10.1007/s00246-020-02518-5.  

原文链接：https://pubmed.ncbi.nlm.nih.gov/33394116/