Resumo
Quatro modelos de deep learning pré-treinados são relevantes para o pipeline de US funcional: EchoNet-Dynamic (Stanford) para EF automática, DeepACSA para segmentação muscular, BEDLUS para contagem de B-lines, e USFM (Fudan) como foundation model generalista de US.
Conceito
| Modelo | Aplicação | Input | Output | Publicação |
|---|---|---|---|---|
| EchoNet-Dynamic | EF automática | Vídeo A4C | EF %, segmentação VE | Stanford, Nature 2020 |
| DeepACSA | CSA muscular | Imagem transversal | Contorno, área | Publicado |
| BEDLUS | B-lines | Frame pulmonar | Contagem B-lines | Publicado |
| USFM | Generalista | Qualquer frame US | Embeddings, classificação | Fudan University |
EchoNet-Dynamic é especialmente relevante porque o EVUS5 não tem Auto EF — calculo manual por Simpson é trabalhoso. DeepACSA quantifica CSA do reto femoral de forma objetiva (screening sarcopenia). BEDLUS automatiza contagem de B-lines (subjetiva manualmente).
Fine-tuning com dados próprios provavelmente necessário. GPU: verificar compatibilidade MPS (Mac M-series) com PyTorch.
Evidência
EchoNet-Dynamic: desempenho comparável a cardiologistas em estudo publicado na Nature (2020).
Limitações
- Fine-tuning com dados próprios provavelmente necessário para cada modelo
- Compatibilidade MPS (Mac M-series) com PyTorch não verificada para todos os modelos
- USFM (Fudan) é foundation model recente — maturidade limitada
Translação
Nenhum item de translação identificado.
Auto-Research Needed
- PubMed: “EchoNet-Dynamic validation portable ultrasound”
- Semantic Scholar: “USFM ultrasound foundation model transfer learning”