اکوکاردیوگرافی از چند پنجره اصلی (پاراسترنال، آپیکال، ساب‌کوستال و سوپراسترنال) گرفته می‌شود و در مجموع ده‌ها نمای مختلف دارد. بعضی از این نماها از نظر ظاهری خیلی به هم شبیه‌اند؛ مثلا دو نمای مربوط به بطن چپ در پنجره پاراسترنال. حرکت قلب در طول چرخه قلبی هم باعث می‌شود ظاهر تصویر مدام عوض شود. اضافه شدن نماهای داپلر رنگی، کار را سخت‌تر کرده چون جریان خون روی تصویر خاکستری قرار می‌گیرد و جزئیات بیشتری ایجاد می‌کند.

پژوهشگران برای حل این مشکل، به جای تکیه فقط بر ظاهر ثابت تصویر، سه نوع اطلاعات را همزمان به مدل دادند:

• تصویر اصلی (ویژگی‌های مکانی و شکل ساختارها)
• optical flow (حرکت بین فریم‌ها و دینامیک دیواره‌های قلب)
• Radon transform (ویژگی‌های جهت‌دار و ساختاری که به تمایز نماهای مشابه کمک می‌کند)

این سه جریان اطلاعات در یک شبکه سه‌جریانی با هم ترکیب شدند. مدل روی داده‌های مرکز قلب تهران آموزش دید؛ حدود ۵۹۰۰ ویدیو از ۷۵۷ بیمار که در ۲۴ کلاس (شامل نماهای استاندارد و داپلر) برچسب خورده بودند. نتیجه این بود که مدل در دو روش ارزیابی، به دقت ۹۴.۶۱ ± ۰.۸۹ درصد و ۹۵.۵۳ ± ۰.۶۷ درصد رسید. وقتی برای هر ویدیو چند قطعه ۱۱ فریمی را جداگانه پیش‌بینی کرد و بعد با رای اکثریت تصمیم نهایی را گرفت، دقت بالاتر آمد.

از نظر کاربردی، این کار چند فایده مستقیم دارد:

• برچسب‌گذاری سریع و دقیق آرشیوهای بزرگ اکو برای پژوهش و آموزش
• کمک به ساخت ابزارهای تشخیصی خودکار بعدی (مثل محاسبه حجم‌ها یا ارزیابی عملکرد قلب)
• کاهش بار کاری متخصصان و امکان استفاده بهتر از اکوی قابل‌حمل توسط افراد غیرمتخصص
• تمایز بهتر نماهایی که قبلا به خاطر شباهت ظاهری با هم قاطی می‌شدند

در عمل، چنین سیستمی می‌تواند بعد از گرفتن اکو، نما را به‌سرعت تشخیص دهد و مسیر تحلیل‌های بعدی را باز کند؛ بدون اینکه پزشک مجبور باشد هر بار از اول همه نماها را دستی جدا کند.