8、基于深度学习的心脏病个性化决策支持综述

基于深度学习的心脏病个性化决策支持综述

1. 心脏病数据处理模型表现评估

在分割、几何和临床评分任务中，对流行模型的性能进行了评估，结果显示U - Net在相关数据集上的表现优于其他模型。例如，Liu等人在2021年提出了一种名为PLANet的深度金字塔局部注意力（PLA）网络，用于左心室心内膜和心肌的分割。该PLA模块用于在紧凑和稀疏的相邻上下文中进行特征增强，其研究基于EchoNet和CAMUS数据集，取得了有前景的结果。对于心肌对比超声心动图，Li等人在2021年设计了一种编码器 - 解码器分割模型，以U - Net作为编码器，ConvLSTM作为解码器，且该模型表现优于传统的U - Net。

此外，部分模型不再从分割结果进行估计，而是直接预测心脏功能，如ES体积、ED体积和射血分数等。Ghorbani等人在2020年的工作还为模型可解释性提供了额外机制。

2. 发病率和死亡率预测

• 基于超声心动图的死亡率预测 ：Ulloa Cerna等人在2021年为1年全因死亡率设计了四个CNN模型，分别是2D CNN + LSTM模型、2D CNN + GAP、3D CNN模型和3D CNN + GAP模型。这些模型基于34362个人的812278个超声心动图视频进行训练，结果表明在模型的辅助下，心脏病专家对1年全因死亡率的预测灵敏度提高了13%，同时保持了预测特异性。
• 心脏病预测 ：Kim等人在2020年引入了一种混合CNN模型，用于基于527名连续患者的超声心动图预测肺静脉隔离后房颤复发情况。该模型结合了超声心动图图像分支和额外信息分支，额外信息