使用深度学习模型将临床参数、心电图特征、心脏功能评估参数和 SPECT MPI 的极地图相结合，预测心脏重同步治疗的患者反应，对于预测预后具有较高准确性。

May, 2023

本研究使用深度迁移学习技术对心脏再同步治疗（CRT）病人的反应进行预测模型训练，通过短时傅里叶变换处理 ECG 信号并使用迁移学习方法对卷积神经网络模型进行预训练，得出较高的预测精度，表现优于传统机器学习方法。

Jun, 2023

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024

在临床决策支持环境中，为了开发更加可靠的人工智能（AI）模型，量化预测的不确定性被视为一种方法，使模型超越传统的性能指标报告。本研究评估了三种新颖的不确定性感知训练策略，并与两种先进方法进行比较，分析了在心脏再同步治疗反应预测和冠状动脉疾病诊断等临床应用中的性能。在考虑了多个校准测量指标后，得出了需要在医疗保健的复杂高风险应用中进行仔细考虑性能指标的结论。

Aug, 2023

提供了一种方法来自动分割心肌，并在小型和低质量标签的重新重建 SPECT 恢复的视野体积上使用连续最大流算法和先验形状信息来增强 3D U-Net 自监督学习方法，实验结果显示，在高噪声 SPECT 心脏数据集上，基于先前的最先进解决方案，定量指标有了 5-10% 的增长，为解决少样本自监督学习问题提供了可行的方法。

May, 2024

该研究提出一种新的方法，使用 Ito 随机微分方程（SDEs）对左室体积预测进行后期不确定性估计，以提高自动分割的鲁棒性和可靠性，为临床设置中更可靠准确的左室体积估计打开新的方向。

Oct, 2023

多任务深度学习模型用于冠状动脉计算机断层扫描（CCTA）患者风险分层和下游测试选择。模型在冠状动脉疾病风险分层和预测下游测试方面取得了良好的准确性，并能在临床实践中对风险分层和治疗带来新的变革。

Sep, 2023

本研究介绍了一种使用深度神经网络进行心脏动态对比增强磁共振成像的动态质量控制技术，通过引入一种新的时空不确定性度量指标来可靠地检测失败的分割结果，并通过与人工专家的合作改进分割结果，从而提高 DCE-CMRI 图像的 Dice 系数并减少分割失败的图像数量。该方法为动态 CMRI 数据提供了一种有效的人机协同分析框架，有助于临床解读和报告动态 CMRI 数据。

Aug, 2023

解释了一个系统，可以解析超声心动图报告并验证射血分数 (EF) 值，从而帮助确定适合加入远程患者监测项目的心力衰竭 (HF) 患者的资格。该系统通过在定制标记数据上进行微调，使用预训练的抽取问答 (extractive QA) 变换器模型，采用了在低资源环境中推广解决方案的方法，并最终通过在 MIMIC-IV-Note 等公共临床数据集上运行实验，帮助我们的临床医生自动完成规模任务，节省了超过 12 个月中超过 1500 小时的时间。

Dec, 2023

使用新的半监督模型 CUSSP 基于心脏图像切片提出了一种自动诊断心脏瓣膜疾病的方法，通过大量未标记数据学习并结合专门的分类器，取得了当前任务的首个基准结果。

Oct, 2023