David Pasdeloup; Andreas Østvik; Sindre Olaisen et al. · 2025 · JACC: Cardiovascular Imaging

Metadata

Authors: David Pasdeloup; Andreas Østvik; Sindre Olaisen; Eirik Skogvoll; Havard Dalen; Lasse Lovstakken

DOI: 10.1016/j.jcmg.2025.02.011

📄 Quick Note¶

摘要概述¶

本文以左心室射血分数 (LVEF) 自动测量为案例，系统评估了深度学习 (DL) 在心血管影像临床转化中面临的三大挑战：评价指标可靠性、训练数据分布与模型泛化能力。研究在三个独立人群 (N=3,538) 上使用基于 MoViNet 架构的端到端 DL 框架进行 LVEF 自动估计，并分析其在心衰 (HF) 管理中的表现。结果显示，AUC 在不同人群特征下可从 0.71 波动至 0.98，揭示了传统评价指标在二分类诊断场景下的不稳定性；训练数据方面，通过优化样本选择策略，即使在减少 40% 训练样本后模型性能仍可提升；在外部数据上模型出现性能退化，而将医学影像领域知识集成到 DL 框架中有助于恢复性能并改善泛化能力。作者据此提出了针对评价指标、训练数据分布与领域知识融合的缓解策略，为 DL 模型在心血管影像中的稳健设计与评估提供了指导。

关键图表¶

待精读时补充。

与我的关联¶

该文对 DL 模型在心血管影像中的评价指标局限性与泛化问题的系统性分析，对我评估医学影像深度学习方法论的稳健性与可迁移性具有方法论参考价值。