Accuracy of Deep Learning Echocardiographic View Classification in Patients with Congenital or Structural Heart Disease: Importance of Specific Datasets

1. Introduction
Transthoracic echocardiography represents one of the main diagnostic modalities
in modern clinical cardiology with a broad range of uses and indications [
1
]. While
traditionally manually interpreted by cardiologists, novel computer-based technologies
allow deep neural networks (DNN) to increasingly assist in the assessment of acquired
images [
2
–
5
]. This may especially aid sonographers with infrequent echocardiography
practice [
6
,
7
] and expand the conduction of echocardiography to settings thought to be
outside the scope of this modality, such as primary care or medical care in remote areas [
8
].
J. Clin. Med. 2022, 11, 690. https://doi.org/10.3390/jcm11030690
https://www.mdpi.com/journal/jcm

---

J. Clin. Med. 2022, 11, 690
2 of 11
As the necessary first step in the automated interpretation of echocardiography images,
views need to be correctly identified. Similar to other cardiac imaging modalities such
as magnetic resonance imaging (MRI) or computer tomography (CT), echocardiography
studies require a multitude of views depicting the cardiac structures. Theoretically, an
infinite number of different views are possible, but 27 of these have been identified as
the views that should be taken during the performance of a comprehensive transthoracic
echocardiography examination, with a core 15–20 views employed in almost all studies
depending on the diagnostic question [
1
]. Importantly, by dissecting cardiac chambers and
valves at different angles through a differently rotated two-dimensional echocardiography
probe, operators depict specific parts of the structure of interest [
9
] with some anatomic
abnormalities only detectable in a few views. Conversely, in the important question of
regional wall motion abnormalities, the information of up to seven views (apical two-,
three- and four-chamber, parasternal short axis at the level of the mitral valve, papillary
muscles and apex and parasternal long axis) needs to be combined to analyze all segments
of the left ventricle [
10
]. Therefore, misidentification on automated analysis may impede
patient care and could potentially delay a correct diagnosis [
11
].
In this regard, a recent study by Zhang et al. [
12
] proposed and validated a convo-
lutional neural network to assess echocardiographic images and classify them according
to the depicted echocardiographic view. While the authors report a high accuracy in the
identification of the correct echocardiographic view, it is unclear whether these findings
can be applied to patients with congenital or structural heart disease (C/SHD). The present
study was, therefore, conducted to assess the performance of a DNN trained and validated
in a cohort of general cardiology patients concerning its performance in classifying views
depicting structural and congenital heart disease and compare it to a DNN specifically
trained in C/SHD.