Deep Learning-Based Automated Diagnosis of Pericardial Diseases: A Multi-View Approach

Abstract

목적 –심낭 질환(심낭삼출, 심장 압전, 수축성 심낭염 등)은 심초음파 영상의 품질 및 해석 변동성으로 인하여 진단에 어려움을 야기한다. 본 연구는 Parasternal Long Axis(PLAX), Apical 4-Chamber(A4C), modified Apical 4-Chamber, Subcostal 4-Chamber(S4C)와 Inferior Vena Cava(IVC), Doppler 영상에서 다중으로 확보된 영상을 이용하여 상호 보완적인 정보를 융합하는 R(2+1)D 기반의 딥러닝 모델을 개발함으로써 진단 정확도와 재현성을 향상시키는 것을 목적으로 한다. 방법 –제안한 다중 시야 융합 프레임워크는 각 시야에서 풍부한 시공간 특징을 추출한 후, IVC 시야의 혈역학적 정보를 통합하여 심낭 질환을 평가하도록 설계되었다. 본 모델은 다기관에서 수집된 2,118 건의 심초음파 영상 데이터를 이용하여 학습 및 검증되었다. 결과 – 삼출액 평가에서는 제안 모델이 AUC 0.9331을 달성하여 기준 AUC 0.9007을 크게 상회하였으며, 심낭삼출 및 심장 압전 검출 측면에서도 민감도, 정확도, 특이도 등 주요 성능 지표에서 기존 방법보다 우수한 결과를 보였다. 결론 –제안한 다중 시야 딥러닝 프레임워크는 다각적 해부학적 및 혈역학적 정보를 효과적으로 통합하여 심낭 질환 자동 진단 성능을 크게 향상시킨다. 본 접근법은 임상 의사 결정 지원과 신속한 중재에 기여할 수 있는 잠재력을 지니며, 향후 영상 품질이 열악한 경우 및 동적 기능 분석을 포함한 확장이 요구됨을 제시한다.

Purpose – Pericardial effusion, tamponade, and constrictive pericarditis remain hard to diagnose because echocardiographic image quality and interpretation vary. We developed an automated deep-learning system that fuses standard views to raise accuracy and reproducibility. Methods – A multi-view modified Resnet convolutional architecture ingests five routinely acquired gray-scale views—parasternal long-axis (PLAX), parasternal short-axis (PSAX), apical four-chamber (A4C), modified A4C, and subcostal four-chamber (S4C)—and augments them with inferior vena cava (IVC) cine loops and Doppler spectrograms (mitral inflow and septal-annulus TDI) to capture hemodynamic significance. Masked early fusion and uncertainty-weighted multi-task loss balance. Training and external validation were performed on 2,118 transthoracic studies collected from multiple institutions. Result – Multi-view fusion substantially boosted performance. For effusion-severity classification, the proposed model achieved an AUC of 0.933 (versus 0.901 for the single-view baseline). Sensitivity for detecting tamponade-level hemodynamic compromise increased from 0.387 to 0.618 at comparable specificity. Comprehensive metrics (accuracy, sensitivity, specificity, AUC) for each disease category are summarized in Tables 2–3. Conclusion – Integrating complementary anatomical and hemodynamic cues across views enhances automated detection of effusion severity, pericardial thickening/adhesion, and tamponade. The system offers a reliable tool to support clinical decision-making and expedite intervention in life-threatening conditions. Future work will address cases with sub-optimal image quality and extend the model to beat-to-beat functional analysis.