論文の概要: AI-Enabled Accurate Non-Invasive Assessment of Pulmonary Hypertension Progression via Multi-Modal Echocardiography

• arxiv url: http://arxiv.org/abs/2505.07347v1
• Date: Mon, 12 May 2025 08:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.317718
• Title: AI-Enabled Accurate Non-Invasive Assessment of Pulmonary Hypertension Progression via Multi-Modal Echocardiography
• Title（参考訳）: マルチモード心エコー法による肺高血圧進展のAI-Enabled Non-Invasive Assessment
• Authors: Jiewen Yang, Taoran Huang, Shangwei Ding, Xiaowei Xu, Qinhua Zhao, Yong Jiang, Jiarong Guo, Bin Pu, Jiexuan Zheng, Caojin Zhang, Hongwen Fei, Xiaomeng Li,
• Abstract要約: 右心カテーテルは侵襲的であり、日常的な使用には適さない。 MePHは肺高血圧の進行を正確に評価するための多視点多モード視覚言語モデルである。
• 参考スコア（独自算出の注目度）: 19.3643462695868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Echocardiographers can detect pulmonary hypertension using Doppler echocardiography; however, accurately assessing its progression often proves challenging. Right heart catheterization (RHC), the gold standard for precise evaluation, is invasive and unsuitable for routine use, limiting its practicality for timely diagnosis and monitoring of pulmonary hypertension progression. Here, we propose MePH, a multi-view, multi-modal vision-language model to accurately assess pulmonary hypertension progression using non-invasive echocardiography. We constructed a large dataset comprising paired standardized echocardiogram videos, spectral images and RHC data, covering 1,237 patient cases from 12 medical centers. For the first time, MePH precisely models the correlation between non-invasive multi-view, multi-modal echocardiography and the pressure and resistance obtained via RHC. We show that MePH significantly outperforms echocardiographers' assessments using echocardiography, reducing the mean absolute error in estimating mean pulmonary arterial pressure (mPAP) and pulmonary vascular resistance (PVR) by 49.73% and 43.81%, respectively. In eight independent external hospitals, MePH achieved a mean absolute error of 3.147 for PVR assessment. Furthermore, MePH achieved an area under the curve of 0.921, surpassing echocardiographers (area under the curve of 0.842) in accurately predicting the severity of pulmonary hypertension, whether mild or severe. A prospective study demonstrated that MePH can predict treatment efficacy for patients. Our work provides pulmonary hypertension patients with a non-invasive and timely method for monitoring disease progression, improving the accuracy and efficiency of pulmonary hypertension management while enabling earlier interventions and more personalized treatment decisions.
• Abstract（参考訳）: 心エコー計はドップラー心エコー法を用いて肺高血圧を検出できるが、その進行を正確に評価することはしばしば困難である。 正確な評価のための金の標準である右心カテーテル(RHC)は、定期的な使用には適せず、肺高血圧の経過をタイムリーに診断し、モニタリングするための実用性を制限している。 本稿では,非侵襲的心エコー法を用いて肺高血圧の進行を正確に評価する多視点多モード視覚言語モデルMePHを提案する。 心エコービデオとスペクトル画像とRHCデータを組み合わせた大規模なデータセットを構築し,12の医療センターから1,237の患者を対象とした。 はじめてMePHは、非侵襲的マルチビュー、マルチモーダル心エコー法と、RHCを介して得られた圧力と抵抗との相関を正確にモデル化した。 平均肺動脈圧 (mPAP) と肺血管抵抗 (PVR) をそれぞれ49.73%, 43.81%と推定した場合, MePH は心エコー法で心エコー検査者の評価を著しく上回り, 平均絶対誤差を減少させることを示した。 8つの独立した外部病院において、MePHは平均絶対誤差3.147をPVR評価で達成した。 さらに、MePHは0.921の曲線下において、心エコー計(0.842の曲線下)を上回り、軽度または重度の肺高血圧の重症度を正確に予測した。 先進的な研究は、MePHが患者の治療効果を予測することを実証した。 本研究は, 肺高血圧患者の非侵襲的かつタイムリーなモニタリング方法を提供し, 早期の介入とよりパーソナライズされた治療決定を可能にするとともに, 肺高血圧管理の精度と効率を向上させる。

関連論文リスト

• Estimating Blood Pressure with a Camera: An Exploratory Study of Ambulatory Patients with Cardiovascular Disease [20.797887496336397]
  高血圧は世界中で致死率と死亡率の主要な原因である。 高血圧の診断と治療能力は、現在の血圧モニタリング法(BP)へのアクセス制限と順応性の低下によって妨げられる リモート光胸腺撮影(r)は、物理的接触のない標準的なカメラを通して個人の波形を評価する。
  論文  参考訳（メタデータ） (2025-03-02T13:24:50Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Predicting Pulmonary Hypertension by Electrocardiograms Using Machine Learning [0.0]
  肺高血圧症(英: lung hypertension, PH)は、肺と心臓の右側の動脈に影響を及ぼす高血圧の病態である。 このプロジェクトの目的は、ECG信号を処理し、信頼確率でPHの存在を検出するニューラルネットワークモデルを作成することである。
  論文  参考訳（メタデータ） (2023-04-24T21:00:16Z)
• Tensor-based Multimodal Learning for Prediction of Pulmonary Arterial Wedge Pressure from Cardiac MRI [6.21112347271845]
  心不全は重篤で生命を脅かす状態であり、左心室の圧力を上昇させる可能性がある。 PAWPは左室の高圧を示す重要な代理マーカーである。 非侵襲的な方法は、人口の多い高リスク患者を迅速に同定するのに有用である。
  論文  参考訳（メタデータ） (2023-03-14T00:05:08Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• Interpretable Prediction of Pulmonary Hypertension in Newborns using Echocardiograms [2.770437783544638]
  新生児および乳児の肺高血圧は、いくつかの肺疾患、心臓疾患、全身疾患に関連する複雑な疾患である。 心エコー図を用いたコホート194新生児のPH予測のための多視点ビデオに基づく多視点深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T12:33:58Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。