超声心动图是一项使用超声技术实时生成心脏图像的测试。压力超声心动图使用此技术在执行心脏必须活动(压力)的活动时评估心率响应。应力超声心动图可以在心血管疾病出现之前就发现其早期痕迹，因此该技术成为一种有价值的筛查工具。

在进行握力练习时，可以获得在临床实践中已证明具有优势的应力超声心动图协议。但是，最大运动水平不容易量化和调节，需要分析完整的数据序列(数千张图像)，这给临床医生带来了挑战。

提出了一个分析框架，该框架明确地解决了通过分析数千个完整数据而带来的实际挑战，并说明了他们针对特定心脏病患者进行研究的潜力

发表在《医学图像分析》杂志上的一项研究提出了用于分析此复杂数据集的操作框架。该文章刚刚于11月6日以高级在线版本发表。在这项研究中，当受试者进行一系列握力运动时，通过超声心动图获得心脏功能的生理数据。数据通过多核学习(MKL)进行了整合。

这项研究由Physense和SiMBioSys研究小组的研究人员Bart Bijnens(ICREA-UPF)和Gemma Piella进行了协调，这两个小组分别属于UPF信息和通信技术部(DTIC)的BCN MedTech研究部门。在机器学习领域进行临床决策。在CardioFunXion项目的框架内，Mariana Nogueira和Mathieu De Craene是这篇文章的第一作者，也是位于法国巴黎的Medisys Philips Research的研究人员。SergioSánchezMartínez是SiMBioSys的合著者和成员。Devyani Chowdhury，该研究的合著者，宾夕法尼亚大学(美国)的研究员。

基于机器学习的分析框架

作者提出了一个分析框架，该框架通过分析成千上万的完整数据来明确解决所面临的实际挑战，并说明他们针对特定心脏病患者进行研究的潜力。本文介绍了从15位患者，10位健康患者和5位具有ANT1(腺嘌呤核苷酸转运蛋白1)突变(影响心脏周期)的患者获得的图像采集结果。在这项研究中，研究人员共分析了1377个心动周期。

“我们的框架使用多重核学习(MKL)来在低维空间中进行压力测试期间在每个心动周期中检索到的异构数据进行投影，在低维空间中对主要数据变化进行了编码。在这里，每个受试者的压力反应都可以看作是轨迹，并且通过轨迹之间的相似性，可以将主题分配给反映不同响应模式的组。” Bijnens和Piella解释说。

MKL提供了简化的表示形式，可用于区分反应组并了解潜在的病理生理机制

然后，作者解释说，对结果的生理解释进行了解码，从而可以通过低维输出空间沿任何轨迹重建输入信号。探索这种简化的表示法以区分反应组并了解潜在的病理生理机制。

作者提出了一种用于分析非标准应力超声心动图序列的框架。他们使用无人监督的MKL，结合了有关心肌速度和心率的信息，以获得数据的低维表示。在健康受试者和ANT1突变患者的对照组中进行的手握锻炼的顺序说明了所提出的框架。

结果表明，这些专家在机器学习中提出的方法能够区分不同的响应，并提供有关潜在病理生理机制的信息，从而证明了其分析此类复杂数据集的能力，这些数据集显示了非标准化协议的潜力，例如手握练习来揭露差异心脏反应机制。的确，结果证实了所提出的框架能够针对每个研究对象区分健康或病理反应并记录病理特定模式。