基于联邦学习危重先心病产前超声自动判读数据模型建立及应用研究

20251219

科学研究和技术服务业

已经完整建立主动脉弓离断胎儿超声心动图人工智能自动诊断模型以及完全型大动脉转位主动脉结构超声心动图分割模型和关键点自动检测模型，其准确率均较高，接近专家水平。可辅助基层医院危重症先天性心脏病的产前筛查，协助超声医师进行疾病的识别。

主要适用于医疗机构的产前超声心动检查，需具备超声诊断仪。

可国（境）内外转让

主要应用于于医疗机构，以服务患者为主要目的，可根据实际效益调整。

北京市自然科学基金项目

北京市科学技术委员会;中关村科技园区管理委员会

科技成果来源：首都医科大学附属北京安贞医院母胎医学会诊中心危重症先天性心脏病患儿的产前胎儿超声心动图相关资料、福建省妇幼保健院危重症先天性心脏病患儿的产前胎儿超声心动图相关资料、北大医院宁夏妇儿医院危重症先天性心脏病患儿的产前胎儿超声心动图相关资料、西北妇儿医院危重症先天性心脏病患儿的产前胎儿超声心动图相关资料以及北京理工大学钱锟团队和北京航空航天大学朱皞罡团队的计算机技术支持 技术原理：联邦学习训练原理为合作的多个客户端本地训练模型，并将模型参数更新发送到中央服务器进行聚合，依赖于模型聚合技术联合训练全局模型，然后该全局模型被传送回客户端以进行微调和部署，模型通过在聚合服务器和参与机构之间不断迭代，服务器与客户端之间的信息传递仅限于模型权重。全局模型的训练包括图像的分类算法、图像的分割算法、关键点检测模型算法。训练初始结合多视图胎儿心脏超声图像识别和质量评估的框架，其中包括两部分：多视图分类和定位网络（MCLN）和改进的对比学习网络（ICLN）。 在 MCLN 中，应用多头增强自注意力机制来构建分类网络并识别胎儿心脏的六个准确且可解释的视图。考虑了结构标准化和图像清晰度。 通过对比学习，将绝对损失、特征相对损失和预测值相对损失相结合，以获得良好的质量评估结果。 关键性技术指标：对确定六个标准视图识别任务中的 F1 分数时，MCLN 的性能优于其他最先进的网络 1.52-13.61%，而 ICLN 在胎儿心脏超声图像质量评估方面的表现可与心脏病专家相媲美，在四腔视图任务的 2 分以内的测试集上达到 97%。同时，对于不同医疗机构的主动脉弓离断疾病分类模型的正常图像和疾病图像判读准确率高达98%和90%；nnU-Net自适应框架主动脉弓结构分割模型的准确率达93%；完全型大动脉转位特异性结构化参数的关键点预测模型的关键点位置预测接近人工标注，相对位置误差仅为0.05，正常和疾病判读的准确率达96%。 应用前景：本研究应用联邦学习算法联合多中心数据，共同训练人工智能超声心动图自动判读全局模型，有效增加样本量和数据多样性，同时不交换原始数据，保护患者隐私。验证了联邦学习在超声心动检查人工智能领域的应用可行性。并完成多种危重症先天性心脏病人工智能自动判读模型的建立了，对于产前辅助诊断（尤其是产前诊断准确率较低的区域），提高产前检出率具有重大意义。从而可以为患儿提供最佳治疗时机，挽救患儿生命，提高预后。