人工智能改善胎儿心脏缺陷的早期检测

本文提出了在先天性心脏病早期检测方面取得的重大进展，先天性心脏病是新生儿发病和死亡的主要原因。通过利用超声图像的自监督学习，研究人员开发了一种模型 (USF-MAE)，在分类胎儿心脏视图方面优于现有方法。这一点尤其重要，因为早期检测可以及时干预并改善结果。使用在大型超声图像数据集上预先训练的基础模型是一项关键创新，即使在特定任务的标记数据有限的情况下，也能让模型学习到稳健的特征。本文对已建立的基线进行了严格的基准测试，进一步加强了其贡献。

• •USF-MAE，一个自监督学习模型，显著提高了孕早期胎儿心脏视图分类的准确性。
• •该模型优于监督学习基线和在自然图像上预训练的 Vision Transformer。
• •该方法在没有进行激进的图像预处理的情况下表现出稳健的性能，提高了对非诊断帧的区分度。