人工智能在药物负荷超声心动图心脏腔室自动量化中的实现与应用

《European Heart Journal - Digital Health》：Artificial intelligence implementation in automated heart chambers quantification during pharmacological stress echocardiography

本研究针对负荷超声心动图(SE)中传统手动勾画心内膜边界存在操作者依赖性变异且耗时的问题，开展了基于机器学习(ML)的自动容积评估研究。通过多中心试验验证，AI系统在左心室(LV)和左心房(LA)容积测量中与专家评估高度一致（ICC 0.84-0.93），但右心测量及图像质量较差时准确性下降。该技术有望提升SE工作流程效率，推动多参数SE的临床应用。

　　

冠状动脉疾病(CAD)作为全球范围内致残和过早死亡的主要原因之一，其早期诊断和风险评估对改善患者预后至关重要。应力超声心动图(SE)作为一种无创成像技术，通过诱发心肌缺血时出现的节段性室壁运动异常(RWMAs)来检测CAD，已成为临床评估疑似冠心病的重要手段。然而，传统SE存在明显局限性——依赖于操作者手动勾画心内膜边界，不仅耗时且存在较大主观差异，这严重限制了其标准化应用和工作效率。

特别是在药物负荷超声心动图过程中，随着心率加快和心脏位置变化，图像质量可能下降，使得本已复杂的容积测量更加困难。近年来，尽管左心室射血分数(LVEF)、整体纵向应变(GLS)和左心房容积(LAV)等参数被证明具有重要预后价值，但其测量精度始终受制于人工操作的稳定性。正是这些临床实践中的痛点，促使研究人员探索人工智能(AI)技术在这一领域的应用潜力。

在这项发表于《European Heart Journal - Digital Health》的研究中，来自立陶宛健康科学大学等13个中心的联合团队开展了一项突破性探索。他们首次在多中心框架下验证了机器学习算法在药物负荷超声心动图中自动量化心脏腔室容积的可行性，为推进SE的自动化进程提供了重要证据。

研究团队采用了几项关键技术方法：首先纳入来自5个中心的240例接受药物负荷超声心动图检查的患者（95%使用双嘧达莫，5%使用多巴酚丁酶），采集静息和负荷状态下的心尖四腔心(4Ch)和两腔心(2Ch)视图；由经验丰富的心脏病专家手动勾画左心室(LV)、左心房(LA)、右心室(RV)和右心房(RA)的边界作为金标准；使用基于21,539例患者数据集训练的机器学习算法进行自动测量；按照欧洲心血管影像协会(EACVI)指南将图像质量分为最优、良好、一般和差四个等级；采用组内相关系数(ICC)、Bland-Altman分析和患者内变异系数等统计方法评估一致性。

算法成功率

机器学习算法在静息和负荷阶段均表现出较高且一致的成功率。左心室舒张末期容积(LVEDV)测量成功率最高，在静息和负荷状态下分别达到98%和95%；而右心房面积(RAA)等右心参数的成功率相对较低，范围为75%-83%。这一结果表明算法对左心腔室的识别更为稳定，为后续准确性分析奠定了基础。

测量一致性分析

左心参数验证结果显示，机器学习与心脏病专家在左心室容积测量上高度一致。无论是静息还是负荷状态，左心室舒张末期容积(LVEDV)和收缩末期容积(LVESV)的ICC值均保持在0.89-0.95范围内，证明AI系统在核心左心功能参数评估上的可靠性。然而，Bland-Altman分析揭示AI存在轻微低估左心室容积的趋势（除LVESV4外），这种系统性偏差虽小但提示临床应用中需注意校准。

左心房容积(LAV)测量表现出极佳的一致性，ICC值超过0.95，且偏差接近可忽略水平，均方根误差(RMSE)仅为4-7mL。这表明AI在左心房这一重要舒张功能指标的评估上已达到专家水平。

相比之下，右心测量结果较为复杂。右心房面积(RAA)在静息状态下ICC为0.81（良好一致），但负荷状态下降至0.69（中等一致）。右心室面积测量也呈现类似模式，静息状态下的一致性优于负荷状态。最值得注意的是右心室面积变化分数(FAC)的评估，ICC值仅为0.27-0.33，且AI表现出明显高估趋势，反映出当前算法对右心功能定量评估的局限性。

多中心一致性

研究特别分析了五个参与中心的数据，发现AI与专家评估的一致性在不同中心间保持稳定，其中中心3表现最优。这一发现尤为重要，它表明AI算法在不同设备、不同操作者条件下的泛化能力，为未来大规模临床应用提供了依据。整体而言，静息状态下的一致性普遍高于负荷状态，尤其是在右心参数上，提示负荷条件下图像质量变化对算法性能的影响。

图像质量影响

图像质量被证实是影响AI性能的关键因素。研究发现左心腔室图像质量普遍优于右心——84%的左心室图像和54%的左心房图像被评为良好或最优，而右心相应比例仅为38%（右心室）和35%（右心房）。这种质量差异直接影响了测量成功率，质量差的图像中左心室测量成功率低至37.5-57.7%，而最优质量图像中几乎所有测量成功率均超过89%，部分甚至达到100%。

进一步分析显示，图像质量与测量准确性密切相关。在良好或最优质量图像中，左心容积测量的ICC高达0.91-1.00；右心测量虽变异较大，但ICC仍保持在0.72-0.97范围内。而在质量一般或差的图像中，右心测量的ICC降至0.45-0.71，且误差范围扩大2-3倍。这一发现强调了优化图像采集质量对AI辅助诊断的重要性。

研究结论与意义

本研究首次在多中心背景下验证了AI驱动容积分析在药物负荷超声心动图中的可行性，证实了其在左心腔室量化方面与专家评估的高度一致性。尽管右心测量和分数面积变化(FAC)评估仍有改进空间，但整体结果表明AI技术已具备整合入临床工作流程的潜力。

讨论部分深入分析了本研究与既往研究的关联与差异。此前多数AI超声研究集中于静息状态，而本研究创新性地将验证场景扩展至负荷条件，揭示了心率加快、图像质量波动等挑战因素对算法性能的影响。与Tromp等人的研究相比，本研究所纳入的图像质量范围更广，更贴近真实临床场景，虽然可能导致某些参数的一致性略低，但增强了结果的临床适用性。

研究还指出了AI整合对SE工作流程的潜在变革：自动化测量可显著减少分析时间，降低对专门技能的依赖，使多参数SE更易于在资源有限机构开展。这与Olaisen等人报道的AI使采集和处理时间减少77%的发现相呼应。

然而，作者也坦诚本研究存在若干局限性。样本量相对有限，且AI分析基于专家选择的图像帧，可能高估了实际性能。未来需要视频级AI分析验证真正自动化工作流程的可行性。此外，研究未纳入GLS和冠状动脉血流储备等有前景的参数，这些领域值得进一步探索。

最终，研究者展望了下一步方向——将AI验证扩展至运动负荷超声心动图，这一指南推荐的首选方法因其更明显的运动伪影和心率加速，对AI算法提出更高要求，但也是实现广泛临床采纳的必要步骤。

这项研究标志着心脏影像自动化分析的重要进展，为人工智能在应力超声心动图中的标准化应用奠定了坚实基础，有望最终改善冠状动脉疾病的诊断效率和准确性。