人工智能从超声心动图预测年龄作为心血管疾病标志物的创新研究

《npj Digital Medicine》：Artificial intelligence prediction of age from echocardiography as a marker for cardiovascular disease

本研究针对传统心血管风险预测中生物年龄评估的挑战，开发了一种基于深度学习从多视角超声心动图视频预测年龄的新方法。研究团队利用来自90,738名患者的2,610,266个视频训练模型，在内部测试集上获得MAE为6.76年、R2为0.732的优异性能，并在四个外部验证队列中表现一致。预测年龄与冠状动脉疾病、心力衰竭和卒中风险显著相关，且能捕捉心脏移植前后的年龄差异，为心血管风险分层和衰老评估提供了新工具。

　　

心血管疾病是全球范围内导致死亡的主要原因，准确评估心脏健康对于有效的管理和预防策略至关重要。超声心动图作为一种广泛使用的无创心脏成像方式，在这一努力中发挥着关键作用，能够详细可视化心脏结构和功能。然而，传统的心血管风险评估主要依赖 chronological age（时序年龄），而区分生物年龄较大和较小的个体可能识别出心血管加速或延迟衰老的个体。

目前，深度学习在分析超声心动图数据方面开辟了新途径，包括预测年龄等人口统计学特征。但这些预测往往受限于数据集的异质性、不精确性以及标注缺乏等问题。此外，现有研究多集中于预测全因死亡率等结局，而较少探索其他临床相关终点或展示这些系统的更广泛预测能力。

在这项发表于《npj Digital Medicine》的研究中，研究人员开发了一种深度学习模型，从超声心动图视频预测年龄，旨在评估人工智能模型是否能预测年龄，以及预测年龄与时序年龄之间的差异是否能用于理解加速和延迟的生物衰老。

关键技术方法

研究团队利用来自90,738名患者的2,610,266个超声心动图视频，采用基于ResNet架构的回归模型，分别训练四个标准视图（PLAX、A2C、A4C、SC）的个体模型，然后通过梯度提升回归器构建集成模型。研究队列来自Cedars-Sinai Medical Center（CSMC），并排除了有心脏手术史的患者以减少偏倚，同时在四个外部机构（SHC、KP、CGMH、KU）进行验证。

模型开发与性能

研究结果显示，单个视图模型的平均绝对误差（MAE）在8.62-9.85年之间，而集成模型的MAE为6.76年，决定系数（R²）为0.732。在四个外部验证队列中，模型表现出良好的一致性，MAE范围在5.29-8.265年之间。亚组分析显示，模型在不同种族和性别群体中性能稳健。

基于预测年龄分组的生存分析

通过Kaplan-Meier生存曲线分析发现，根据预测年龄分组的患者在5年随访期内显示出明显的生存差异，预测年龄较大的组别表现出显著较差的生存率。这种差异在冠状动脉疾病、心力衰竭和卒中方面也同样显著。

风险比分析显示，预测年龄对所有原因死亡率的风险比（HR=1.42）高于时序年龄（HR=1.33），在冠状动脉疾病、心力衰竭和卒中方面也观察到类似趋势。

预测心脏衰老表型及其与瓣膜疾病的关联

根据预测年龄与时序年龄的差异，研究将患者分为"加速"、"预期"和"延迟"心脏衰老三种表型。加速心脏衰老的个体表现出较高的主动脉瓣狭窄以及主动脉、二尖瓣和三尖瓣反流发生率，而延迟衰老组别的这些疾病发生率普遍较低。

心脏移植患者的年龄预测

对心脏移植患者的分析发现，移植后平均预测年龄从62.57岁显著降低至57.32岁，50名患者中有37名在移植后被预测为更年轻，表明模型能够捕捉移植带来的"年轻化"效应。

动脉粥样硬化性心血管疾病风险评分跨预测年龄组

研究按预测年龄分组比较了动脉粥样硬化性心血管疾病风险评分，发现10年ASCVD风险随预测年龄组别的增加而单调上升，从预测年龄40岁以下组的4.6%升至80岁以上组的27.8%。

可解释性

通过引导反向传播可视化发现，模型主要关注心十字、二尖瓣和二尖瓣环区域，这些区域是年龄相关结构变化的关键部位。SHAP分析进一步量化了特定解剖结构的贡献。

研究结论与意义

该研究证明了深度学习模型从超声心动图视频准确预测年龄的能力，可作为心脏生物衰老的代理指标。预测年龄与时序年龄的差异能够识别心血管风险较高的患者，且预测年龄在多个心血管结局方面表现出优于时序年龄的预测能力。模型在心脏移植患者中观察到的"年轻化"效应进一步验证了其捕捉心血管健康变化的敏感性。

研究还发现模型关注的心脏结构与已知年龄相关变化区域一致，特别是二尖瓣装置区域，这为模型预测提供了生物学合理性。随着超声心动图在许多医疗环境中的可及性，人工智能预测年龄可能为心血管风险分层提供可扩展的工具，特别是在资源有限的环境中。

然而，研究也存在一定局限性，包括队列来自临床指征的影像学检查可能包含潜在健康问题个体，需要在无症状筛查或基于人群的队列中进行进一步验证。此外，生物年龄预测也引发了重要的伦理考量，需要制定指南防止保险歧视等滥用情况。

总之，该研究突出了深度学习模型应用于超声心动图数据预测生物年龄和评估心血管风险的潜力，通过提供可解释的见解和证明临床相关性，为更加个性化和主动的心血管护理铺平了道路。