研究团队发布首个公开PLAX超声心动图数据集，训练左心室射血分数预测模型
利用 2.5 万个PLAX视频训练模型，MAE达 6.86%，与临床标准A4C方法相当；融合两视角后降至 6.37%。
AI解读：心脏超声检查中，左心室射血分数（EF）是评估心功能的关键指标，但临床通常依赖心尖四腔（A4C）切面，技术难度高，部分患者（如肥胖、肺气肿）难以获得清晰图像。旁胸骨长轴（PLAX）切面更容易获取，却因缺乏标注数据而无法用于EF预测。Caltech团队利用临床报告与视频的时间关联自动生成标注，构建了超过 2.5 万个PLAX视频的数据集，并训练出首个可复现的PLAX EF模型，平均绝对误差 6.86%，与A4C方法的 6%-7% 相当。这意味着医生在无法获得心尖切面时，有了可靠的替代方案。更重要的是，团队发现将PLAX与A4C的预测简单融合，误差进一步降至 6.37%，提示多切面结合可能优于单一标准切面。对研究者而言，数据集、模型和演示代码已全部公开，降低了此类研究的门槛；对临床医生而言，该工具可作为辅助判断，但需注意其误差水平仍不适合单独用于精确诊断，且目前是研究版本，落地前需更大规模临床验证。普通患者无需立即采取行动，只需知道这一进展可能在未来改善心功能评估的可及性。
加州理工学院（Caltech）的研究团队在arXiv发表论文，称构建了首个公开的、用于从胸骨旁长轴（PLAX）超声心动图预测左心室射血分数（EF）的数据集与模型。该研究被《Journal of Machine Learning for Biomedical Imaging》（MELBA）接收。
团队称，目前尚无公开的PLAX-EF数据集。他们利用临床记录与超声视频之间的时间关联，结合视图分类器微调和代理标注，创建了包含超过 25,000 个PLAX视频的标注数据集。
基于该数据集训练的PLAX EF模型，平均绝对误差（MAE）为 6.86%。作为对比，临床标准的心尖四腔（A4C）方法MAE通常在 6%-7% 之间。作者认为这表明从PLAX视图估计EF是可行的，且具有临床相关性。
作者进一步报告，将PLAX和A4C的预测进行简单的无权重晚期融合，可将MAE降至 6.37%，优于任一单一视图基线。
论文通讯作者为Zhiyuan Gao，合著者包括Dominic Yurk和Yaser S. Abu-Mostafa。研究已提供数据集标签、训练模型和可运行demo，发布在GitHub、Hugging Face和Google Colab上。