切换至 "中华医学电子期刊资源库"
高级检索
中华医学超声杂志（电子版）

中华医学超声杂志（电子版） >

2025 , Vol. 22 >Issue 08: 754 - 760

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2025.08.010

小儿超声影像学

OBICnet图像分类模型在小儿先天性心脏病超声筛查中的应用价值

  • 刘晴晴 1 ,
  • 俞劲 1, 3 ,
  • 徐玮泽 2, 3 ,
  • 张志伟 3 ,
  • 潘晓华 3 ,
  • 舒强 2, 3 ,
  • 叶菁菁 , 1, 3, †
展开
  • 1　310052　杭州，浙江大学医学院附属儿童医院超声科（国家儿童健康与疾病临床医学研究中心）
  • 2　310052　杭州，浙江大学医学院附属儿童医院心脏外科（国家儿童健康与疾病临床医学研究中心）
  • 3　310053　杭州，浙江大学滨江研究院

通信作者：

叶菁菁，Email：

Copy editor: 汪荣

收稿日期: 2025-03-19

  网络出版日期: 2025-09-29

基金资助

浙江省公益技术应用研究项目(LGF22H180002)

国家自然科学基金面上项目(82270309)

浙江省“领雁”研发攻关计划(2022C03087)

版权

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计，除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。本刊为电子期刊，以网刊形式出版。
收起

Value of OBICnet image classification model in ultrasound screening for congenital heart disease in children

  • Qingqing Liu 1 ,
  • Jin Yu 1, 3 ,
  • Weize Xu 2, 3 ,
  • Zhiwei Zhang 3 ,
  • Xiaohua Pan 3 ,
  • Qiang Shu 2, 3 ,
  • Jingjing Ye , 1, 3, †
Expand
  • 1 Department of Ultrasound,Children's Hospital of Zhejiang University School of Medicine, National Clinical Research Center for Children's Health and Disease, Hangzhou 310052, China
  • 2 Department of Cardiac Surgery, Children's Hospital of Zhejiang University School of Medicine, National Clinical Research Center for Children's Health and Disease, Hangzhou 310052, China
  • 3 Binjiang Research Institute, Zhejiang University, Hangzhou 310053, China

Corresponding author:

Ye Jingjing, Email:

Received date: 2025-03-19

  Online published: 2025-09-29

Copyright

Copyright by Chinese Medical Association No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission. All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

目的

探讨人工智能技术在小儿先天性心脏病超声筛查中的应用价值。

方法

选取2021年9月至2022年2月于浙江大学医学院附属儿童医院进行超声心动图检查的心脏结构正常及异常的彩色多普勒超声静态图像8543张，按8∶1∶1的比例将其划分为训练集6871张、验证集833张、测试集839张。构建OBICnet模型，采用F1分数、准确率、精确率、召回率、特异度、误诊率及漏诊率评价人工智能模型的识别性能，并与ResNet50、GBCnet两种人工智能模型进行比较。另收集2022年11月至2023年1月在浙江大学医学院附属儿童医院就诊的50例心脏结构异常患儿（共350张图像）的静态心脏彩色多普勒图像作为外部验证数据。依据超声工作年限将21名基层进修超声医师分为初级、中级、高级3组，比较OBICnet模型与3组医师在外部验证集中的识别效能。

结果

与ResNet50、GBCnet模型相比，OBICnet模型的识别性能最佳，F1分数、准确率、精确率最高，分别为97.0%、98.3%、96.7%；误诊率、漏诊率最低，分别为1.6%、3.0%。在外部验证集，OBICnet模型对正常与异常图像的识别准确率、精确率、特异度分别为94.6%、91.4%、97.6%，高级、中级、初级3组医师的识别准确率分别为89.4%、83.3%、67.8%，精确率分别为78.9%、73.5%、39.3%，特异度分别为91.5%、91.6%、81.4%，OBICnet模型与3组医师比较，差异均具有统计学意义（校正P值均<0.017）；OBICnet模型对正常与异常图像的识别敏感度高于中级、初级医师组（88.5% vs 61.5%、31.8%，校正P值<0.017）；OBICnet模型漏诊率、误诊率分别为11.5%、2.4%，低于3组医师，差异具有统计学意义（校正P值均<0.017）。

结论

OBICnet模型对正常与异常心脏超声图像的识别性能较好，在儿童先天性心脏病超声筛查工作中具有一定的应用价值。

关键词： 人工智能; 先天性心脏病; 儿童; 超声心动图

本文引用格式

刘晴晴 , 俞劲 , 徐玮泽 , 张志伟 , 潘晓华 , 舒强 , 叶菁菁 . OBICnet图像分类模型在小儿先天性心脏病超声筛查中的应用价值[J]. 中华医学超声杂志（电子版）, 2025 , 22(08) : 754 -760 . DOI: 10.3877/cma.j.issn.1672-6448.2025.08.010

Abstract

Objective

To explore the value of artificial intelligence in ultrasound screening of congenital heart disease in children.

Methods

A total of 8543 static color Doppler ultrasound images of normal and abnormal cardiac structures from the Children's Hospital Affiliated to Zhejiang University School of Medicine from September 2021 to February 2022 were selected and divided into a training set of 6871 images, a validation set of 833 images, and a test set of 839 images at a ratio of 8:1:1. The OBICnet model was constructed, and its recognition performance was evaluated using F1 score, accuracy, precision, recall, specificity, misdiagnosis rate, and missed diagnosis rate. The performance of the OBICnet model was compared with that of the ResNet50 and GBCnet models. Additionally, 350 static color Doppler images of 50 children with abnormal cardiac structures who visited the Children's Hospital Affiliated to Zhejiang University School of Medicine from November 2022 to January 2023 were collected as external validation data. Twenty-one grassroots ultrasound physicians were divided into three groups based on their years of ultrasound experience: junior, intermediate, and senior. The recognition performance was compared between the OBICnet model and the three groups of physicians on the external validation set.

Results

Compared with ResNet50 and GBCnet models, the OBICnet model had the best recognition performance, with the highest F1 score, accuracy, and precision, which were 97.0%, 98.3%, and 96.7%, respectively, and the lowest misdiagnosis rate and missed diagnosis rate, which were 1.6% and 3.0%, respectively. In the external validation set, the OBICnet model's recognition accuracy, precision, and specificity for normal and abnormal images were 94.6%, 91.4%, and 97.6%, respectively. The recognition accuracy of senior, intermediate, and junior physicians was 89.4%, 83.3%, and 67.8%, respectively, the precision was 78.9%, 73.5%, and 39.3%, respectively, and the specificity was 91.5%, 91.6%, and 81.4%, respectively. The differences in recognition performance between the OBICnet model and the physician groups were statistically significant (all adjusted P<0.017). The recognition sensitivity of the OBICnet model for normal and abnormal images was higher than that of the intermediate and junior physician groups (88.5% vs 61.5% and 31.8%, adjusted P<0.017). The missed diagnosis rate and misdiagnosis rate of the OBICnet model were 11.5% and 2.4%, respectively, which were significantly lower than those of the three groups of physicians (all adjusted P<0.017).

Conclusion

The OBICnet model exhibits superior recognition performance for normal and abnormal cardiac ultrasound images, and it has appreciated application value in the ultrasound screening of congenital heart disease in children.

Key words： Artificial intelligence; Congenital heart disease; Children; Echocardiography

先天性心脏病（congenital heart disease，CHD）在我国出生缺陷中位居首位，目前国内报道活产新生儿发病率约8.94‰［1］，是0~5岁婴幼儿死亡的主要原因之一，故CHD的早诊早治尤为重要。超声心动图在儿童CHD筛查中具有重要价值［2］，其有助于儿童CHD得到早期诊断和及时治疗。为了提高儿童CHD超声筛查效率和准确性，本团队提出了小儿先天性心脏病七步筛查法［3］（以下简称：超声先心七步法），优化了CHD超声检查步骤，有助于基层医师快速掌握小儿CHD的超声筛查。
近年来，随着人工智能（artificial intelligence，AI）技术在医疗领域的快速发展，科研人员渴望借助AI技术提升超声筛查的效率，然而由于传感器的手持性质，超声图像具有较低的图像质量、噪声和不同的视点，因此利用AI分析超声图像具有挑战性。Basu等［4］探索基于卷积神经网络（convolutional neural network，CNN）的胆囊癌超声图像检测模型（GBCNet），通过先检测胆囊提取感兴趣区域，然后使用一种新的多尺度二阶池化架构专门对胆囊癌进行分类。实验结果表明，GBCNet的识别结果优于放射科专家，同时GBCNet技术创新也适用于其他超声图像分析任务。
近来，AI在CHD超声筛查中的应用不断增多，然而目前大多数研究为AI在胎儿CHD超声心动图诊断方面的应用［5］，在出生后儿童CHD中的研究应用相对较少。为提高儿童CHD的超声筛查效率，本研究提出两阶段二分支的AI算法模型（OBICnet），旨在从大量的超声心动图中快速筛查出可疑异常样本，将可疑样本提交相关医师进行进一步诊断，在提升效率的同时确保准确性；并与基层超声医师的识别结果进行比较，探讨OBICnet模型在小儿CHD超声筛查中的应用价值。

资料与方法

一、对象

选取2021年9月至2022年2月在浙江大学医学院附属儿童医院超声科进行超声心动图检查的心脏结构正常及异常的8543张心脏彩色多普勒静态图像（1521例正常儿童，1613例异常儿童，年龄范围0~12岁），其中异常图像2801张，正常图像5742张，图片资料最初以JPEG格式保存，大小为900×600像素，再将图像尺寸统一规范化为224×224。另外收集2022年11月至2023年1月在浙江大学医学院附属儿童医院就诊的50例心脏结构异常患儿（共350张图像）的静态心脏彩色多普勒图像作为外部验证数据，儿童年龄范围0~7岁。纳入标准：（1）符合超声先心七步法标准切面的心脏超声图像。（2）异常图像包括房间隔缺损、卵圆孔未闭、室间隔缺损、动脉导管未闭。（3）无其他心脏疾病。排除标准：（1）CHD术后患儿的心脏超声图像。（2）复杂性CHD心脏超声图像。（3）带有测量标识的心脏超声图像。本研究经浙江大学医学院附属儿童医院伦理委员会批准（批件号：2021-IRB-286）。

二、仪器与方法

1.仪器：应用Philips iE 33、Philips EPIQ5、Philips EPIQ 7C彩色多普勒超声诊断仪，探头型号为S8-3（频率3~8 MHz）、S5-1（频率1~5 MHz）。
2.图像选取：参照超声先心七步法进行超声心动图检查。二维静态彩色多普勒标准切面图像（包括正常及异常图像）均由经统一培训的超声心动图医师手动提取并存图，并经2名儿童超声心动图资深专家核实，意见一致时图片保留，不一致时剔除。超声先心七步法中的7个标准切面分别为：胸骨旁左心室长轴切面、胸骨旁大动脉短轴切面、胸骨旁四腔心切面、胸骨旁五腔心切面、剑突下四腔心切面、剑突下两房心切面、胸骨上窝主动脉弓长轴切面（图1）。
图1 小儿先天性心脏病七步筛查法7个超声标准切面。图a为胸骨旁左心室长轴切面；图b为胸骨旁大动脉短轴切面；图c为胸骨旁四腔心切面；图d为胸骨旁五腔心切面；图e为剑突下四腔
3.OBICnet模型构建：OBICnet模型是一种基于目标检测和图像分类的两阶段二分支疾病分类模型。分支一是由目标检测（YOLOv5）和图像分类（ResNet50）组成的两阶段分类模型，首先借助YOLOv5提取输入的心脏超声图像中的可疑病灶部位作为关键区域，再利用ResNet50对上述多个关键区域进行特征提取，将提取的特征融合，得到分支一的预测结果。分支二为对整体图像进行疾病分类的单阶段分类模型（ResNet50），直接对输入的超声心动图图像进行分类，得到分支二的预测结果。最后整合分支一和分支二的分类结果，得到最终的图像正常/异常二分类结果。其公式如下：
F(x)=w1·R(Y(x))+w2·R(x)
其中，R代表ResNet50的预测结果，Y代表YOLOv5的预测结果，w1代表关键区域的分类结果的权值，w2代表 ResNet50直接作用于完整图像的分类结果的权值，且w1+w2=1。OBICnet模型框架如图2所示。
图2 OBICnet模型框架
其中，分支一采用YOLOv5的目标检测和ResNet50的图像分类联合训练。在训练初期，YOLOv5采用原始图像进行目标检测训练，其损失函数由坐标回归（CIoU Loss）与置信度预测（BCE Loss）加权构成。同步地，ResNet50通过人工标注的精确目标区域图像进行分类预训练，使用交叉熵损失进行监督。随着训练轮次的加深，ResNet50的输入进入动态迁移阶段，引入基于概率p(i)的输入切换机制：在每次迭代中，ResNet50的输入以概率
选择YOLOv5实时检测生成的感兴趣区域，或以1–p(i)的概率保留人工标注区域，其中i为当前训练轮次。该概率函数采用分段线性增长策略，通过梯度阻断确保检测分支的误差梯度仅在选定路径反向传播。最终在联合优化阶段，完全依赖YOLOv5生成的感兴趣区域进行端到端训练，此时采用动态加权损失函数，其中检测损失包含边界框回归、目标置信度和分类子任务，分类损失则通过混合精度训练策略优化。
4.数据集构建：本研究基于3134例儿童，选取了8543张心脏彩色多普勒静态图像，其中1613例健康儿童提供了5742张正常图像，确诊CHD的1521例患儿提供了2801张异常图像。为保证数据独立性，按照就诊ID进行数据集划分，以接近8∶1∶1的比例将数据划分为训练集、验证集、测试集，其中训练集6871张，包含1282例健康儿童提供的正常图像4643张，1225例患儿提供的异常图像2228张；验证集833张，包含157例健康儿童提供的正常图像515张，156例患儿提供的异常图像318张；测试集839张，包含174例健康儿童提供的正常图像584张，140例患儿提供的异常图像255张。采用相同的数据集对OBICnet、ResNet50及GBCnet模型进行训练、测试、验证，并比较不同模型的识别性能。
5.外部验证：根据从事小儿心脏超声工作年限将2022年11月至2023年1月21名超声科进修医师分为初级、中级、高级3组，初级为0~2年，中级为3~5年，高级为6~13年，所有超声医师均来自西部和基层地区医疗机构。收集50例患儿的350张心脏彩色多普勒静态图像作为外部验证数据集，OBICnet模型及3组超声医师分别对外部验证数据集进行判读，并对350张图像进行正常/异常二分类。要求超声医师对每张图片的识别时间限定为2 s。

三、统计学分析

采用F1分数、准确率、精确率、召回率、特异度、误诊率及漏诊率等指标评估3种模型及超声医师的识别性能。采用SPSS 27.0进行数据统计分析。OBICnet模型与不同年资医师组识别性能比较采用χ2检验，以P<0.05为差异有统计学意义，进一步两两比较采用Bonferroni校正法，以校正后P<0.017为差异有统计学意义。

结果

一、模型训练数据集疾病分布情况

模型训练数据集共8543张心脏彩色多普勒图像，其中训练集6871张，验证集833张，测试集839张，具体疾病分布见表1。
表1 8543张心脏彩色多普勒静态图片疾病分布情况（张）
数据集 总计 ASD PFO VSD PDA 正常
训练集 6871 1000 236 874 118 4643
验证集 833 135 18 152 13 515
测试集 839 138 29 74 14 584
总 计 8543 1273 283 1100 145 5742

注：ASD为房间隔缺损；PFO为卵圆孔未闭；VSD为室间隔缺损；PDA为动脉导管未闭

二、OBICnet、ResNet50及GBCnet模型的识别性能

与ResNet50、GBCnet模型相比，OBICnet模型的识别性能最佳，F1分数、准确率、精确率最高，分别为97.0%、98.3%、96.7%；误诊率、漏诊率最低，分别为1.6%、3.0%（表2）。
表2 OBICnet、ResNet50及GBCnet模型对正常与异常超声图像的识别性能（%）
模型 F1分数 准确率 精确率 召回率 误诊率 漏诊率
OBICnet 97.0 98.3 96.7 97.4 1.6 3.0
ResNet50 63.6 91.3 65.9 61.4 7.9 38.6
GBCnet 86.2 95.0 93.4 80.1 4.5 19.9

三、OBICnet模型与3组超声医师的识别性能比较

在外部验证集，OBICnet模型对正常与异常图像的识别准确率、精确率、特异度分别为94.6%、91.4%、97.6%，均高于高级、中级、初级3组医师，3组医师的识别准确率分别为89.4%、83.3%、67.8%，精确率分别为78.9%、73.5%、39.3%，特异度分别为91.5%、91.6%、81.4%，OBICnet模型与3组医师比较，差异均具有统计学意义（校正P值均<0.017）；OBICnet模型对正常与异常图像的识别敏感度高于高级、中级、初级3组医师（88.5% vs 83.9%、61.5%、31.8%），但与高级医师组比较差异无统计学意义（P>0.05）；OBICnet模型漏诊率、误诊率分别为2.4%、11.5%，低于3组医师，差异均具有统计学意义（校正P值均<0.017，表3）。
表3 OBICnet模型及3组超声医师对外部验证集正常与异常超声图像的识别性能（%）
组别 准确率 精确率 敏感度 特异度 误诊率 漏诊率
OBICnet模型 94.6a 91.4a 88.5a 97.6a 2.4a 11.5a
高级医师组 89.4b 78.9b 83.9a 91.5b 8.5b 16.1b
中级医师组 83.3c 73.5b 61.5b 91.6b 8.4b 38.5c
初级医师组 67.8d 39.3c 31.8c 81.4c 18.6c 68.2d
χ2值 1438.51 269.36 416.78 139.34 139.34 380.34
P值 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05

注：经Bonferroni校正后两两比较，表格中上标字母不同表示差异有统计学意义（校正P值<0.017），上标字母相同表示差异无统计学意义（P>0.017）

讨论

CHD发病率高、检出率低，严重影响儿童生命健康［6,7,8］。CHD的早筛早诊有助于患儿得到及时治疗，有效减少并发症发生率及儿童死亡率［9］，降低CHD的疾病负担。超声心动图是检出CHD最直接有效的手段［3，10］。然而，我国儿童超声心动图医师缺乏及分布极不均衡影响了CHD超声筛查的开展，尤其在西部及基层地区，而且CHD超声检查技术掌握相对困难［11-12］，因此迫切需要一种可靠的、易于在西部和基层地区医院普及的CHD超声检查方法［13］。
本研究基于AI在医学图像领域的应用［14］，构建并验证一种融合目标检测与图像分类的双分支深度学习模型（OBICnet），用于自动识别儿童心脏结构异常的超声心动图图像。研究基于大规模临床真实数据，系统评估了OBICnet在内部测试集及独立外部验证集的性能，并与经典模型（ResNet50、GBCnet）以及不同年资的超声医师进行对比，结果显示OBICnet在F1分数、准确率、精确率、召回率、特异度等关键指标上均表现出显著优势，尤其在降低漏诊率和误诊率方面具有重要临床潜力。
本研究提出的OBICnet模型创新性地采用“两阶段+双分支”架构：分支一通过YOLOv5定位病灶区域，再由ResNet50对关键区域进行精细分类；分支二则直接对整图进行全局分类。最终通过加权融合实现决策优化。这种设计兼顾了局部病灶特征提取与整体结构信息捕捉，有效提升了模型对微小或边界模糊病变的识别能力。与单一分类模型（如ResNet50）相比，OBICnet避免了因背景噪声干扰导致的误判问题。例如，在PFO或小VSD等早期、轻微异常中，病灶区域较小且血流信号不明显，全局模型容易将其归为正常。而OBICnet通过YOLOv5先行聚焦可疑区域，显著增强了对弱阳性信号的识别敏感度，这可能是其召回率达97.4%、漏诊率仅为3.0%的重要原因。同时，相较于GBCnet等类似双分支模型，OBICnet引入了动态迁移训练机制——随着训练进程推进，ResNet50输入逐步从人工标注区域切换至YOLOv5自动生成的感兴趣区域，实现了从“监督强”到“自适应强”的过渡。该策略不仅提升了模型泛化能力，也增强了两个分支之间的协同性，从而在测试集中展现出更高的F1分数（97.0%）和更均衡的精确率-召回率表现。
在外部验证集中，OBICnet面对来自50例真实患儿的350张独立图像，仍保持了94.6%的准确率和88.5%的敏感度，且特异度高达97.6%，误诊率仅11.5%。值得注意的是，其敏感度虽略低于内部测试集，但已优于中级和初级医师，且与高级医师（83.9%）差异无统计学意义。这表明OBICnet具备良好的外部泛化能力，能够在未参与训练的真实临床数据中稳定输出。更为关键的是，OBICnet在降低漏诊率方面表现突出（11.5% vs 初级医师68.2%）。对于CHD筛查而言，由于基层缺乏经验丰富的心脏超声医师，有相当一部分儿童CHD延迟诊断，尤其是单纯型房间隔缺损、室间隔缺损，漏诊意味着患儿可能反复发生肺炎，错过最佳手术时机，对儿童预后和未来生活产生严重影响［15］。因此，高敏感度是筛查工具的核心要求。OBICnet通过目标检测引导分类的机制，有效提升了对隐匿性病变的识别能力，具备作为辅助初筛工具的潜力，尤其适用于基层医疗机构或超声医师资源匮乏地区。此外，OBICnet的精确率（91.4%）和特异度（97.6%）也显著高于各医师组，说明其在避免过度诊断方面更具优势。较低的误诊率有助于减少家长焦虑和不必要的进一步检查（如心脏CT或MRI），从而节约医疗资源。本研究将模型性能与初级、中级、高级3组医师进行对比，结果发现高级医师整体识别能力接近OBICnet，但在精确率和特异度上仍落后于模型；而中、初级医师在各项指标上均明显偏低，尤其是初级医师的精确率仅为39.3%，漏诊率高达68.2%，反映出经验不足带来的诊断不确定性。这一结果进一步表明，OBICnet可作为基层或进修医师的“智能助手”，提供实时判读参考，缩短学习曲线；在复杂或边界病例中，可构建“人机共判”模式，即模型先行初筛，医师复核可疑结果，从而实现效率与准确性的平衡；模型输出的可解释性（如YOLOv5生成的病灶定位框）可辅助医师理解判断依据，提升信任度与接受度。
尽管本研究取得了良好的性能表现，但仍存在一些局限性。（1）本研究仅初步分析了模型对正常超声图像与异常超声图像的二分类识别，无法对CHD具体疾病进行诊断。未来将进一步优化模型，提高模型对房间隔缺损、卵圆孔未闭、室间隔缺损、动脉导管未闭具体疾病的诊断，协助基础医师提高诊断效率和诊断能力。对于同时具有房间隔缺损和室间隔缺损或者其他两种及以上疾病组合的识别也是未来努力的方向。（2）本研究基于静态心脏彩色多普勒图像进行分析，未能充分利用超声检查中丰富的动态信息，如心脏周期中的室壁运动、瓣膜开闭过程及血流时序变化等。这些动态特征对于疾病的鉴别诊断具有重要意义。未来可探索基于超声视频序列的时序建模方法［16］，引入时空Transformer［17］或SlowFast［18］等先进架构，挖掘时间维度上的病理特征，进一步提升模型的判别能力与准确性。（3）在临床应用层面，目前OBICnet模型尚未集成至医院的影像归档和通信系统（picture archiving and communication system，PACS）或超声设备的工作流中，仍处于离线分析阶段，影响其实用性和实时性。为实现真正的“边检查、边分析”智能辅助模式，后续需开发轻量化、低延迟的部署方案，例如基于移动端APP、边缘计算设备或云端应用程序编程接口（application programming interface，API）的服务架构，使其能够无缝嵌入临床操作流程，提升医师工作效率。（4）所有数据来源于单一机构，外部验证集仅包含50例患儿的350张图片，相对较小，模型的泛化能力有待完善。未来将通过多中心的合作与数据共享，扩大数据集的多样性和规模性，以提高模型的泛化能力。
综上所述，OBICnet模型对正常与异常超声先心七步法标准切面图像的识别性能较好，效能优于基层超声医师。OBICnet模型在儿童CHD超声筛查工作中具有一定的应用价值。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Zhao QM, Liu F, Wu L, et al. Prevalence of congenital heart disease at live birth in China [J]. J Pediatr, 2019, 204: 53-58.

2
MacDonald B, Yim D, Ramsay J, et al. Detection of congenital heart disease by neonatologist performed cardiac ultrasound in preterm infants [J]. J Perinatol, 2024, 44(10): 1432-1436.

3
叶菁菁, 徐玮泽, 俞劲, 等. 小儿先天性心脏病超声七步筛查法 [M]. 北京: 中华医学电子音像出版社, 2023.

4
Basu S, Gupta M, Rana P, et al. Surpassing the human accuracy: Detecting gallbladder cancer from USG images with curriculum learning [DB/OL]. (2022-04-25)[2025-03-19].

5
Han G, Jin T, Zhang L, et al. Adoption of compound echocardiography under artificial intelligence algorithm in fetal congenial heart disease screening during gestation [J]. Appl Bionics Biomech, 2022: 6410103.

6
Gong Y, Zhang Y, Zhu H, et al. Fetal congenital heart disease echocardiogram screening based on DGACNN: Adversarial one-class classification combined with video transfer learning [J]. IEEE Trans Med Imaging, 2020, 39(4): 1206-1222.

7
GBD 2017 Congenital Heart Disease Collaborators. Global, regional, and national burden of congenital heart disease, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017 [J]. Lancet Child Adolesc Health, 2020, 4(3): 185-200.

8
潘飞霞, 徐玮泽, 李嘉斌, 等. 中国先天性心脏病疾病负担三十年变化分析 [J].浙江大学学报(医学版), 2022, 51(3): 267-277.

9
Ma XJ, Huang GY. Current status of screening, diagnosis, and treatment of neonatal congenital heart disease in China [J]. World J Pediatr, 2018, 14(4): 313-314.

10
Moceri P, Kraemer J. Atrial strain in patients with pulmonary arterial hypertension associated with congenital heart disease [J]. Arch Cardiovas Dis S, 2023, 15(3): 259.

11
Liu X, Xu W, Yu J, et al. Screening for congenital heart defects: diversified strategies in current China [J]. World Journal of Pediatric Surgery, 2019, 2(1): e000051.

12
叶菁菁, 楼丹娜, 俞劲, 等. 进修医生小儿超声心动图基础的问卷调查与对策研究 [J]. 中国高等医学教育, 2023, (4): 121-122.

13
Reddy CD, Van den Eynde J, Kutty S. Artificial intelligence in perinatal diagnosis and management of congenital heart disease [J]. Semin Perinatol, 2022, 46(4): 151588.

14
Han G, Jin T, Zhang L, et al. Adoption of compound echocardiography under artificial intelligence algorithm in fetal congenial heart disease screening during gestation [J]. Appl Bionics Biomech, 2022 : 6410103.

15
Luo H, Qin G, Wang L, et al. Outcomes of infant cardiac surgery for congenital heart disease concomitant with persistent pneumonia: a retrospective cohort study [J]. J Cardiothoracic Vasc Anesth, 2019, 33(2): 428-432.

16
Chen G, Huang Y, Xu J, et al. Video mamba suite: State space model as a versatile alternative for video understanding [DB/OL]. (2024-03-14) [2025-03-19].

17
Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[DB/OL]. (2017-06-12) [2025-03-19].

18
Feichtenhofer C, Fan H, Malik J, et al. SlowFast networks for video recognition [DB/OL]. (2019-10-29) [2025-03-19].

Options
文章导航

/

〈 〉

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？