高通量精密表现型的左心室肥大心血管深度学习

要点

问题深度学习可以用于自动化测量左心室维度和识别患者可能受益于筛查诊断疾病?

发现23 745患者的队列研究,深入学习算法用于自动测量左心室尺寸并确定壁厚增加患者可能受益于额外筛查肥厚性心肌病,心脏淀粉样变,始终跨多个军团同时交付执行的算法结果在更短的时间比人类所需的评估。

意义在这项研究中,深入学习工作流程能够自动化壁厚而促进肥厚性心肌病的识别和评价心脏淀粉样变。

重要性早期检测和表征增加左心室(LV)壁厚可以显著影响病人的治疗,但局限于under-recognition肥大,测量误差和可变性,和难度区分的原因增加壁厚,如肥大、心肌病、心脏淀粉样变。

客观的评估的准确性深入学习工作流程量化心室肥大和预测LV增加壁厚的原因。

设计、设置和参与者这个队列研究包括physician-curated军团从斯坦福淀粉样中心和西奈医疗中心(CSMC)高级心脏病临床心脏淀粉样变和斯坦福中心继承了心血管疾病和肥厚性心肌病的CSMC肥厚性心肌病诊所从1月1日,2008年,2020年12月31日。深入学习算法训练和测试在回顾获得独立的超声心动图视频来自斯坦福大学医疗保健、CSMC,统一成像协作。

主要结果和措施主要的结果是深度学习算法的准确性测量左心室维度和识别患者LV壁厚增加患肥厚性心肌病,心脏淀粉样变。

结果这项研究包括23 745例:12 001年从斯坦福大学医疗保健(6509(54.2%)的女性;平均(SD)的年龄,61.6从CSMC[17.4])和1309年(808(61.7%)的女性;平均(SD)的年龄,62.8[17.2]年)与胸骨旁的烈度衰减视频和8084年从斯坦福大学卫生保健(4201(54.0%)的女性;平均(SD)的年龄,69.1[16.8])和2351年从csm(6509(54.2%)的女性;平均(SD)的年龄,69.6[14.7]年)与顶端4-chamber视频。深入学习算法准确地测量脑室壁厚(平均绝对误差(MAE)、1.2毫米;95%置信区间,1.1 - -1.3毫米),LV直径(MAE, 2.4毫米;95%置信区间,2.2 - -2.6毫米),后壁厚度(MAE, 1.4毫米;95%置信区间,1.2 - -1.5毫米)和分类心脏淀粉样变(曲线下的面积(AUC), 0.83)和肥厚性心肌病(AUC, 0.98)分别从其他LV肥大的原因。在外部数据集从独立的国内和国际卫生保健系统,深入学习算法准确地量化心室参数(国内:R²0.96;国际:R²0.90)。为国内的数据集,美是1.7毫米(95% CI, 1.6 - -1.8毫米)脑室隔膜厚度,3.8毫米(95% CI, 3.5 - -4.0毫米)为LV内部尺寸,和1.8毫米(95% CI, 1.7 - -2.0毫米)为LV后壁厚度。国际数据集,美是1.7毫米(95% CI, 1.5 - -2.0毫米)脑室隔膜厚度,2.9毫米(95% CI, 2.4 - -3.3毫米)为LV内部尺寸,和2.3毫米(95% CI, 1.9 - -2.7毫米)为LV后壁厚度。深入学习算法准确检测心脏淀粉样变(AUC, 0.79)和肥厚性心肌病(AUC, 0.89)在国内外部验证的网站。

结论和意义在这个队列研究,深度学习模型准确地识别细微变化LV墙几何测量和肥大的原因。与人类专家,深度学习工作流程是完全自动的,考虑到可再生的,精确的测量,可以提供心脏肥大的精密诊断的基础。

尽管迅速发展的发展有针对性的疗法和基因测序,^1,2持续限制临床表现型的准确性和吞吐量导致差距扩大潜在的和实际的效益实现了精密医学。这个难题是当前方法以评估心脏的形态学改变。^3,4如果可靠地识别,误诊某些心脏疾病(如心脏淀粉样变和肥厚性心肌病(HCM))可以避免,和特定的靶向治疗可以有效地启动。系统的筛选模式,包括通过成像和自动回顾医疗记录功能,显示的机会识别患者诊断的疾病越来越被认为是比以前想象的更普遍。^{5- - - - - -9}可靠的能力区分心脏疾病类型相似的形态学特征,但不同的原因也会增强特异性连接遗传风险变异和确定机制。

心脏是一个动态的器官能够改造和适应生理压力和extracardiac扰动。内在的心脏疾病和系统性的侮辱都可以导致类似的演讲增加左心室(LV)壁厚和LV肥大(LVH),由人类很难区分常规成像观察。压力超负荷长期高血压和主动脉瓣狭窄可能导致心脏重构,以弥补额外的生理工作,与HCM和心脏淀粉样变同样可以体现LV的增加质量没有生理上的压力。^6,10

除了LVH的存在,心室厚度也有可观的程度在许多疾病的预后价值。^{10- - - - - -12}心室壁厚risk-stratify病人用于心源性猝死的风险,帮助确定哪些患者应该接受除颤器植入。¹⁰然而,量化的心室壁厚仍然受到大量intraprovider interprovider可变性在成像模式。^13,14即使高图像分辨率和信噪比的心脏磁共振成像,有明显的两次试验法的变化由于费力,手动测量壁厚的性质。^15,16虽然丰富,但^17,18成本低,没有电离辐射,超声心动图依赖于专家的解释,其精度取决于仔细测量中的应用。^19,20.

最近的工作^{21- - - - - -24}表明,深度学习应用于医学影像临床表型可以识别除了与精度高于常规图像判读和解释由人类专家。我们假设超声心动图,最常见的心脏病心血管成像基础上社会肥大诊断指南包括欧洲心脏病学会¹⁰增强与人工智能(AI)模型时,可以提供额外的价值理解疾病的预测存在和潜在的引起LVH的筛查。解决当前限制的评估心室肥大和疾病诊断,我们开发了一个端到端的深度学习方法标记LV维度,室壁厚度、定量和预测LVH的原因。我们第一次框架水准仪进行语义分割胸骨旁的左心室壁厚的烈度衰减超声心动图视频然后执行beat-to-beat评价心室肥大。识别LVH之后,我们使用一个三维卷积神经网络与剩余连接预测LVH的原因,包括预测心脏淀粉样变和其他背景中主动脉瓣狭窄肥厚性疾病。

标准的完整的静息超声心动图研究由一系列50到100视频和静态图像可视化心脏从不同角度、位置和图像采集技术(如二维图像、组织多普勒图像和彩色多普勒图像)。在这个队列研究,患者中确定physician-curated军团从斯坦福淀粉样中心和西奈医疗中心(CSMC)高级心脏病临床心脏淀粉样变和斯坦福中心继承了心血管疾病和肥厚性心肌病的CMSC肥厚性心肌病诊所从1月1日,2008年,2020年12月31日。这项研究是由斯坦福大学和CMSC机构审查批准。书面知情同意了从病人军团,但需要同意免除了超声心动图成像分析参与机构审查委员会,因为鉴定图像的使用。

有关胸骨旁的烈度衰减(PLAX)和顶端4-chamber二维视频提取从每个超声心动图研究(表1和表2)。人类临床医生脑室隔的注释(IVS), LV内部维度(LVID)和LV后壁(LVPW)测量被用作训练标签来评估心室肥大。胸骨旁的烈度衰减视频从斯坦福大学获得卫生保健(自燃)分裂和使用如下:9600年对于训练集,验证集,1200和1200的测试集,一个额外的7767自燃超声心动图研究来自定义疾病患者特点,包括心脏淀粉样变、HCM,严重主动脉瓣狭窄。从这些研究中,顶端4-chamber视频提取和用作肥厚性疾病分类输入数据的任务。视频处理前所述自动化预处理工作流中识别信息和人类的标签已经被移除。万博manbetx平台首页^21,25

经胸廓的超声心动图研究CSMC成像协作和团结¹⁶被用来评估深度学习算法的性能在识别要点PLAX视频和测量室的尺寸。先前所描述的方法用于识别PLAX和顶端4-chamber-view视频和医学数字成像和通信文件转换为AVI文件。²²我们从CSMC共有3660个视频中提取作为国内伸出测试数据集。从统一标记图像成像协作被用作额外伸出国际测试未见在模型训练数据集。这些超声心动图视频从英国获得超声心动图实验室和回顾性注释echocardiography-certified心脏病专家。

模型设计和培训都是在Python中,版本3.8.5 (Python软件基金会)使用PyTorch深度学习的图书馆。修改DeepLabv3²⁶架构培训胸骨旁的烈度衰减图像加权均方误差最小化损失是用来确定关键点用于测量心室维度。三维分割模型的实现需要更多的计算资源没有在性能得到显著改善。亚当优化学习速率为0.001,和模型训练50时代,早期停止基于验证的损失。我们评估不同的视频长度、分辨率和时间分辨率hyperparameters优化模型的性能。计算成本评估使用NVIDIA GeForce GTX 3090。

视频疾病分类,18-layer ResNet3D²⁷体系结构被用来分类的视频。鉴于潜在的患者主动脉瓣狭窄和心脏淀粉样变的诊断LVH的多个原因,²⁸并行二进制分类深度学习模型训练预测心脏淀粉样变的概率,HCM,主动脉瓣狭窄二级控制高血压和独立在终末期肾病的上下文中。不同于以前的文学,^7,8对于每一个分类任务,消极控制图像从其他原因患者LVH模拟临床工作流。例如,在淀粉样分类,消极训练的例子包括视频诊断HCM患者主动脉瓣狭窄、高血压、和终末期肾病LVH的其他原因。这个模型被训练二叉叉损失减小到最低限度使用一个亚当优化学习速率为0.01。模型训练与批量大小14 100时代,早期停止基于曲线下的面积(AUC)验证集(eMethods补充)。

斯坦福超声心动图实验室的使用报告数据库,我们确定了配对研究相同的病人的评估心脏病专家确定没有实质性改变先前的研究从当前研究结构化报告元素。这些研究与临床稳定,我们分析了874年 23日的子集研究LVID,静脉注射,LVPW舒张测量电流和随后的研究。方差在测量前和后续研究被用作替代临床变异,而变异的深度学习算法。CSMC数据集,我们确定了99个随机研究;蒙蔽重新标记是由2级3 echocardiography-certified心脏病学家,和他们的表现与深入学习算法的性能一致的标签。

 CIs 95%计算使用000引导样品和通过获得第95个百分位为每个预测范围。语义分割性能的任务是评估通过比较LVID的长度,LVPW,和静脉注射人类标签在抵抗测试数据集。每个预测关键的质心与Python软件,用来计算测量3.8.5版本。

这项研究包括23 745例:12 人体自燃现象从001(6509(54.2%)的女性;平均(SD)的年龄,61.6从CSMC[17.4])和1309年(808(61.7%)的女性;平均(SD)的年龄,62.8[17.2]年)与胸骨旁的烈度衰减视频和人体自燃现象从8084(4201(54.0%)的女性;平均(SD)的年龄,69.1[16.8])和2351年从csm(6509(54.2%)的女性;平均(SD)的年龄,69.59[14.7]年)与顶端4-chamber视频。深度学习的工作流程筛选HCM和心脏淀粉样变2组件(图1)。首先,我们设计了一个深刻的学习模式与深黑色的卷曲的语义分割PLAX超声心动图视频和静脉注射的识别,LV内部维度和LV后壁。与那深黑色的卷绕捕获远程功能,完全解决PLAX帧被用作LVH的输入图像高分辨率的评估。鉴于注释的乏味的性质,在标准的临床工作流程,只有1或2帧的视频经常标记,但每个视频记录多个心跳,可用于临床测量(图2)。因此,我们广义神经网络训练这些稀疏的注释为测量预测整个视频的每一帧,以便beat-to-beat评估心室壁厚和维度。代表例子胸骨旁的长轴的视频模式注释所示视频。

LVH检测后,确定具体原因(如渗透性的疾病、遗传性心肌病或慢性升高后负荷)可以帮助指导治疗。我们训练视频与时空分布卷积神经网络模型来预测LVH的原因(图3)。整合空间和时间信息,模型扩展了以前的工作万博manbetx平台首页²¹视频模型的解释超声心动图和分类视频基于概率的高血压、主动脉瓣狭窄、HCM,或者心脏淀粉样变心室肥大的原因。此外,我们进行一个视频模型架构和hyperparameter搜索来确定最优基础架构的深度学习算法(eFigure 1补充)。深入学习算法训练数据集的17 802超声心动图人体自燃现象的视频,然后计算了测试组从自燃,CSMC和成像统一协作。

人体自燃现象从伸出测试数据集没有看到在模型训练(n = 1200),深入学习算法预测心室维度的R²0.97与注释由人类专家(eFigure 2补充)。深入学习算法的平均绝对误差(MAE) 1.2毫米(95% CI, 1.1 - -1.3毫米)静脉注射厚度、2.4毫米(95% CI, 2.2 - -2.6毫米)LVID,和1.4毫米(95% CI, 1.2 - -1.5毫米)LVPW厚度。这将有利与临床inter-provider变异,1.3毫米的美(95% CI, 1.3 - -1.3毫米)静脉注射厚度、3.7毫米(95% CI, 3.6 - -3.7毫米)LVID,和1.3毫米(95% CI, 1.3 - -1.3毫米)LVPW厚度。深入学习算法相比,表现也很好未来的共识注释2三级echocardiography-certified心脏病学家在99年从CSMC随机研究(eFigure 3补充)。评估的可靠性模型在卫生保健系统在国际上,深入学习算法也没有任何调优测试外部测试数据集上的1791个视频成像统一协作,从CSMC 3660个视频。联合成像协作外部测试数据集,深入学习算法显示一个健壮的预测精度,与一个整体R²的0.90和2.2毫米的梅斯(95% CI, 1.7 - -2.6毫米)静脉注射厚度、4.5毫米(95% CI, 3.7 - -5.3毫米)LVID,和2.4毫米(95% CI, 2.0 - -2.7毫米)LVPW厚度。当调整使用统一的培训分成像协作数据集,深入学习算法表现出一种改进的整体性能R²的0.92和1.7毫米的梅斯(95% CI, 1.5 - -2.0毫米)静脉注射厚度、2.9毫米(95% CI, 2.4 - -3.3毫米)LVID,和2.3毫米(95% CI, 1.9 - -2.7毫米)的LVPW厚度统一成像协同验证数据分割,表明数据转移和潜在的变化在实践中机构和大洲(eTable 1的补充)。

快速、高通量自动化方法允许测量每个框架,这将是乏味的手动跟踪(图2)。不同的充填时间和不规则的心跳会导致测量的变化,但beat-to-beat模型评估可以提供高保真的整体评估。虽然自燃和统一成像协作数据集直接注释个人框架相比,我们评估了深度学习算法的CSMC beat-to-beat评估数据集与学习水平相比心室维度的注释。在这个数据集,人类并不与特定的帧相关联的超声心动图测量视频,和beat-to-beat分析被用来预测心脏舒张期和平均测量从每个心跳在整个视频。CSMC外部测试数据集,深入学习算法显示一个健壮的总体预测精度R²的0.96和1.7毫米的梅斯(95% CI, 1.6 - -1.8毫米)静脉注射厚度、3.8毫米(95% CI, 3.5 - -4.0毫米)LVID,和1.8毫米(95% CI, 1.7 - -2.0毫米)与beat-to-beat LVPW厚度评价。

原因推导、验证和测试组自燃有6215,787,和765个视频。伸出的测试组,深入学习算法区分心脏淀粉样变的AUC 0.83, 0.98 HCM的AUC,主动脉瓣狭窄的AUC 0.89 LVH的其他原因。伸出测试队列,precision-recall曲线下的面积深度学习算法0.77的心脏淀粉样变,HCM的0.95,0.79,主动脉瓣狭窄。提出的二元分类深层视频学习分类器学习算法性能相似multilabel,多级深度学习疾病检测,但模型的灵活性能够识别患者诊断主动脉瓣狭窄和心脏淀粉样变。2351年外部测试数据集顶端4-chamber-view视频CSMC 358视频的心脏淀粉样变,主动脉瓣狭窄的146个视频,468 HCM的视频,和1379年的视频LVH的其他原因,深层学习算法的AUC 0.79预测心脏淀粉样变和预测HCM的AUC为0.89。CSMC队列,precision-recall曲线下的面积深度学习算法0.54的心脏淀粉样变,HCM的0.69,0.08,主动脉瓣狭窄。模型的性能是一致的在身体质量指数和图像质量(eTable 2的补充)。

强调训练模型的好处与消极控制LVH的来自其他原因,而不是正常的控制,我们进行了一系列的实验,看看一个模型,训练没有看到其他表型模拟执行时遇到表型模拟。混淆矩阵生成2实验设置(eTable 3中补充)在一个更高的AUC对角线显示模型外的混乱和较低的AUC建议改善表型模拟之间的歧视。在这个实验中,虽然模型产生更高的AUC(主动脉瓣狭窄0.96对心脏淀粉样变,0.98,和0.97 HCM),有大量的混乱,其他原因,表明模型训练只对年龄和sex-matched控制将主要识别LVH。

AI-guided工作流中使用这个队列研究是深入学习系统自动量化LV壁厚在超声心动图同时预测LVH的原因为HCM或心脏淀粉样变。深入学习算法执行的测量心室厚度和直径在人类临床的方差两次试验法的评估而帮助微妙的心室表型的检测往往是挑战人类的读者。这种集成的LV测量和预测疾病的原因提供了一个自动化的工作流从超声心动图检查,心脏成像最常用的形式。因此,echocardiography-based筛查可以提供一个高度怀疑的心理指标,可以促进更有效的临床评价,诊断和治疗。同化的自动诊断算法广泛应用临床成像可以减轻医生的负担,同时简化更具针对性的心血管保健的机会。

研究^{28- - - - - -30.}表明心脏淀粉样变性等疾病诊断而不是罕见的。考虑到大型异构人口与射血分数保留心力衰竭患者,^31日方法可以适当和有效地增加对病因引起怀疑,如淀粉样变的亚型与新靶向治疗,可能有助于解决持久的未满足的需求。因此,机会存在于有效的人工智能算法来提高识别的应用历史图像存储在数据库的大型超声心动图诊断疾病实验室。尽管所有的病人数据应该被在临床情况下,我们的研究表明,自动图像分析工作流可以轻松实现快速识别患者可能受益于大量后续筛选。因此,需要更多的前瞻性工作评估的潜在算法适当加快临床评估,有针对性的测试,最终诊断和疾病修饰治疗开始前确认。

本研究的结果代表了一步在超声心动图心脏结构的自动评估视频通过深入学习。虽然个人测量线性测量只需要几秒钟,有内在的变化帧和视频选择集地板来自超声心动图的手动测量的精度。未来的工作应该增强超声心动图与注释标签和信息从心脏磁共振成像和其他成像方式有更多的精密自动化。万博manbetx平台首页通过使用一个自动化的方法,潜在的更精确的测量可以获得在繁忙的临床和研究设置。结合以前的工作⁸评估心脏功能,目前的研究表明,在超声心动图图像深度学习模型能够自动化越来越大比例的任务来评估心脏功能和结构提供更全面的评估心血管疾病。通过改进精度检测心室重构和心脏功能障碍,AI系统提供潜在的亚临床心血管疾病的早期检测和治疗,包括不常见或诊断的条件。

这项研究有几个优势。一个关键挑战的使用人工智能在卫生保健的缺乏直接比较的基准数据集模型和跨机构工程工作流。数据集包含标准,不同的注释和疾病的定义,和协议如何注释图像数据集的来源限制模型的直接比较性能的改变。^32,33微调在特定站点的数据,我们的模型优于之前的最先进的方法来评估心室壁厚和肥大在开放标准。¹⁶扩大在以前的工作,²¹我们与利益相关者在斯坦福大学医学合作发布数据集000年12鉴定PLAX超声心动图视频作为医疗机器学习社区资源为未来的深度学习模型的比较和验证。这扩展了之前的数据集030顶端4-chamber视频²¹总共22 030超声心动图视频公开,据我们所知,它是最大的标签数据集发布医疗视频匹配医生注释。我们希望这个数据集将促进新的超声心动图和医学视频机器学习方法。我们也发布了对我们的算法和数据处理流程的完整代码。

这项研究也有局限性。首先,因为这项研究获得的训练图像从策划组的患者从三级保健专业诊所,偏见在这些诊所的病人选择可以在部署这样的算法。例如,尽管心脏淀粉样变是遗传不成比例地影响个人在美国黑人,他们充分研究人群,必须注意人口推断深度学习算法的性能与不同人口特征。^34,35第二,我们的模型是由专家超声波检验师培训视频获得学术医疗中心。与扩张的使用现场即时超声评价心脏功能的noncardiologists,进一步的工作是要理解与输入的视频更多的变量模型的性能质量和采购专业知识以及与其他成像方法相比。虽然我们在卫生系统分析表明,我们的深度学习算法健壮的跨洲实践模式的变化,未来的人工智能系统的部署和测试不同的临床环境中仍要做。在这个领域研究的一个重要限制一直缺乏前瞻性试验和评估模型的性能在临床部署。³⁴因此,还需要进一步的工作和未来的验证来更充分地理解AI-guided筛查工作流在临床护理的效果。

在这个队列研究,使用跨多个心跳测量和验证3国际军团,深度学习模型更准确地识别细微变化LV墙几何测量比人类评估和准确地识别LVH的原因。快速,完全自动化的工作流程,深入学习算法允许可再生的,精确测量,可能精密心脏肥大的诊断提供了基础。

发表:2021年12月21日。

网上发表:2022年2月23日。doi:10.1001 / jamacardio.2021.6059

开放:这是一个开放的分布式根据文章CC-BY许可证。©2022达菲G等。JAMA心脏病学。

相应的作者:苏珊程博士英里(susan.cheng@cshs.org)和大卫•欧阳MD (david.ouyang@cshs.org),心内科Smidt心脏研究所,西奈医疗中心,127年代San Vicente大马路,Ste A3600,洛杉矶CA 90048。

作者的贡献达菲先生:p . p . Cheng和元博士担任co-first作者和贡献同样工作。程和欧阳博士作为文章的第二作者和贡献同样这项工作。达菲先生和欧阳博士已经完全访问所有的数据研究中,负责数据的完整性和数据分析的准确性。

概念和设计:达菲,p . p . Cheng关颖珊,亚历山大,Lungren,邹,Witteles,程,欧阳。

数据的采集、分析或解释:达菲,p . p . Cheng元,他Kwan Shun-Shin,亚历山大,Ebinger雷德,梁,Schnittger,阿什利,帕特尔,欧阳。

起草的手稿:达菲,p . p . Cheng欧阳。

关键的修订手稿的重要知识内容:所有作者。

统计分析:达菲,p . p . Cheng邹,欧阳。

获得资助:p . p . Cheng欧阳。

行政、技术或材料支持:达菲,p . p . Cheng Kwan Shun-Shin,亚历山大,Ebinger Patel,程,欧阳。

监督:关颖珊,Lungren阿什利,Witteles,欧阳。

利益冲突的披露:达菲先生有专利报道等待EchoNet-LVH通过西奈医疗中心。p . p .程博士报道EchoNet-LVH拥有专利申请中。关颖珊博士报道收到多丽丝公爵慈善基金会资助的行为研究。亚历山大博士报道收到咨询费Alnylam、文化之内涵,辉瑞在提交工作。Lungren博士报告收到9个人费用放射学,飞利浦医疗保健、SegMed;从半人马股本咨询费;从美国国立卫生研究院和赠款外提交的工作。雷德博士报告收到来自美敦力公司的咨询费,生理记录仪,百时美施贵宝公司外提交的工作。阿什利博士报道Personalis Inc .的创始人,DeepCell公司,和硅谷运动分析;在阿斯利康的顾问委员会; serving as an advisor for Nuevocor Founding, Cathay, Third Rock Ventures, Medical Excellence, Foresite, Novartis, Genome Medical, Disney, and Sequence Bio; receiving grants from Bristol Myers Squibb, Takeda, Google, and Verily; receiving hardware support from Samsung Collaborative, Analog Devices Collaborative, Illumina Collaborative, PacBio Collaborative, and Nanopore Collaborative; and consulting fees from Apple Advisor outside the submitted work. Dr Witteles reported receiving personal fees from Pfizer, Alnylam, Eidos, Ionis, and Intelia outside the submitted work. Dr Ouyang reported having a patent pending for EchoNet-LVH. No other disclosures were reported.

资金/支持:本研究是K99-HL157421赠款支持(欧阳博士)和5 t32hl116273-07(元)博士从美国国立卫生研究院。

资助者的角色/赞助商:美国国立卫生研究院没有参与这项研究的设计和实施;的收集、管理、分析和解释数据;准备、审查或批准的手稿;并决定提交出版的手稿。

附加信息:万博manbetx平台首页EchoNet-LVH数据集,一个公开的数据集的鉴定超声心动图视频,是可用的https://echonet.github.io/lvh/。EchoNet-LVH可用的代码https://github.com/echonet/lvh。