基于混合时空注意力网络的超声心动图左心室功能无分割评估新方法

《Scientific Reports》：A hybrid spatial and temporal attention driven network for left ventricular function assessment using echocardiography

本研究针对心脏左心室功能评估对分割标注依赖度高、计算流程复杂等临床挑战，提出了一种名为LV-STANet的新型混合时空注意力网络。该模型通过集成空间编码器和时间注意力模块，实现了从左心室超声视频中直接回归射血分数(EF)、整体纵向应变(GLS)和缩短分数(FS)等关键参数，在EchoNet-Dynamic数据集上EF预测平均绝对误差达5.1%，相关度0.82。研究创新性地采用无分割方法降低对标注数据的依赖，并通过注意力可视化增强模型可解释性，为资源受限环境的临床部署提供了新思路。

　　

心血管疾病是全球死亡的主要原因，每年导致约1980万人死亡，占全球总死亡人数的32%。其中心力衰竭作为重要的公共卫生问题，影响全球超过6400万人，患者五年生存率仅25%。准确评估左心室功能对心血管疾病的诊断和管理至关重要，而左心室射血分数(EF)是评估心脏功能的关键指标，此外整体纵向应变(GLS)和缩短分数(FS)也为早期心肌功能障碍提供了敏感指标。

传统左心室功能评估依赖人工或半自动技术，如双平面圆盘法（改良Simpson法则），需要精确勾画左心室边界，存在耗时耗力、观察者间变异大等问题。近年来深度学习模型尝试自动化此过程，但多数仍基于分割的流程，需要像素级标注，且多步骤处理可能导致误差传播。医学领域高质量标注数据稀缺，限制了这些方法的临床应用。

为解决这些限制，来自巴基斯坦空军大学、德蒙福特大学、首都科学与技术大学和沙特国王大学的研究团队在《Scientific Reports》上发表了一项创新研究，提出了LV-STANet（左心室时空注意力网络），一种无需分割的深度学习框架，可直接从二维超声心动图视频序列估计EF、GLS和FS等关键左心室功能参数。

研究团队采用了几项关键技术方法：使用公开可用的EchoNet-Dynamic数据集（包含10,030个心尖四腔心切面超声视频）和CAMUS数据集（500例患者）进行训练和验证；设计混合架构包含ResNet50空间编码器提取每帧解剖特征，时间注意力模块捕捉心脏运动动态；通过加权特征聚合策略结合时空信息；采用梯度加权类激活映射(Grad-CAM)实现模型可解释性分析。

模型架构与性能表现

LV-STANet的核心创新在于其双注意力设计。空间编码器从每帧图像中提取特征，时间注意力模块则分析整个心脏周期中的动态变化。模型输入为标准化为128×128像素的超声视频帧序列，通过加权聚合策略突出关键帧的重要性，最终通过全连接层回归预测EF、GLS和FS值。

在EchoNet-Dynamic数据集上的评估结果显示，LV-STANet在EF预测上达到5.1%的平均绝对误差(MAE)和0.82的相关系数，GLS和FS预测的MAE分别为3.35%和4.95%。在外部验证集CAMUS上，EF预测的MAE为6.56%，相关系数0.72，证明了模型的良好泛化能力。

可解释性分析

研究通过Grad-CAM生成的热力图显示，模型在预测时主要关注左心室区域，表明其学习到了临床相关解剖结构。时间注意力权重的可视化进一步证实，模型对心脏周期中的关键帧（如舒张末期和收缩末期）赋予更高重要性，这与临床实践一致。

消融实验验证

研究人员通过系统的消融实验验证了各模块贡献。去除空间注意力模块使EF预测的MAE升至6.45%，相关系数降至0.46；去除时间注意力模块使MAE升至8.66%；而去除加权特征聚合也导致性能下降。实验证明，完整模型在所有配置中性能最优，强调了时空注意力协同工作的重要性。

与仅使用收缩末期和舒张末期帧的方法相比，使用完整心脏周期序列的模型表现更优，表明利用整个周期的时间动态信息有助于提高预测准确性。研究人员还比较了不同骨干网络，发现ResNet50在准确性和计算效率间取得了最佳平衡。

与现有方法比较

LV-STANet在EF预测上的表现优于多数现有方法，包括三维ResNet(R3D)、混合卷积网络(MC3)等。其在EchoNet-Dynamic数据集上5.1%的MAE优于之前报道的R3D(5.44%)、MC3(5.91%)和UltraSwin-base(5.59%)等方法。

研究结论与意义

该研究提出的LV-STANet框架通过创新性地结合空间和时间注意力机制，实现了从左心室超声视频中直接准确估计多种功能参数，避免了传统方法中对分割和关键帧识别的依赖。这种方法显著简化了临床工作流程，降低了标注需求，同时通过注意力可视化提供了临床可解释性。

尽管研究存在一些局限性，如仅在公开数据集上验证，未涵盖真实临床环境中的所有变异，且对输入帧质量较为敏感，但LV-STANet为自动化左心室功能评估提供了有前景的解决方案。未来工作可聚焦于领域自适应、多中心临床验证以及边缘设备部署优化，进一步提升模型的临床应用价值。

这项研究为心脏功能评估提供了一种新的技术路径，特别适合资源受限环境，有望促进人工智能在心血管医学中的更广泛应用。通过降低对专家标注的依赖和提高计算效率，LV-STANet为开发更易普及的心脏病诊断工具奠定了基础。