论文部分内容阅读
背景超声是临床上最常用、最经济的影像学检查手段之一，然而超声影像的诊断存在诸多难点，例如影像质量偏低、人为差异显著存在、主要依赖高年资医生经验等。基于人工智能（artificial intelligence,AI）技术研发的超声影像智能诊断系统依据高质量的的超声影像轮廓勾画数据，是训练AI模型的重要支撑。目的 研究超声心动图左心室内膜轮廓勾画的“人为差异”，对其进行客观的定量评估。方法 从解放军总医院病例库中随机选取2021年6-8月442例病人的超声心动图心尖二腔（apical 2-chamber,A2C）和心尖四腔切面（apical 4-chamber,A4C）视频。首先由3位三甲医院高年资超声医生选取舒张末和收缩末帧，对舒张末左心室内膜和收缩末左心室内膜分别进行一致轮廓勾画，形成参考标准；然后由4位医学影像分析师对同一切面的舒张末左心室内膜和收缩末左心室内膜进行双盲轮廓勾画；最后，医学影像分析师的勾画质量（衡量她们的结果与高年资医生的参考标准之间的差异）通过计算内膜轮廓相似度Dice指标、左心室射血分数（left ventricular ejection fraction,LVEF）的差值（即△EF）来量化。超声心动图切面视频按照图像质量被分成好、中、差三组，对比医学影像分析师在两次培训后的勾画质量，定量分析超声心动图轮廓勾画培训的效果。结果 医学影像分析师勾画的EF差值（△EF）中位数普遍为负值，说明医学影像分析师勾画的EF值普遍比高年资医生的参考标准EF值偏低，此为系统性偏差。轮廓勾画再培训提升了所有4位医学影像分析师与参考标准的EF差值（△EF），中位数提升3.5%～6%，说明第二次比第一次培训的医学影像分析师与参考标准勾画的轮廓重合程度更高。轮廓勾画再培训对4位医学影像分析师的提升效果各不相同，医学影像分析师（d）的提升效果最显著（△EF中位数提升6%）。结论 超声心动图像质量对医学影像分析师左心室内膜勾画质量有直接影响，舒张末比收缩末更为显著；但对于收缩末，医学影像分析师勾画的左心室内膜轮廓普遍小于高年资医生勾画的左心室内膜轮廓。课题组建议医学影像分析师重点关注左心室的心尖、侧壁、瓣根等易出错位置。