基于视频深度学习的儿童右心室功能评估：多中心AI模型的开发与验证

《npj Digital Medicine》：AI learning for pediatric right ventricular assessment: development and validation across multiple centers

本研究针对儿童右心室(RV)功能评估困难的问题，开发了基于视频的深度学习框架，通过24,984例超声心动图实现了RV自动分割、面积变化分数(FAC)预测和疾病分类。模型在美亚多中心验证中表现出色（Dice=0.86-0.88，AUC=0.95-0.97），可实时完成专家级心室功能量化，为儿科心脏病诊疗提供新工具。

　　

在全球范围内，先天性心脏病和获得性心脏病影响着约1%的儿童，而右心室(RV)功能障碍是先天性心脏病、肺动脉高压和早产等疾病中常见且复杂的表现。由于右心室几何形状不规则以及儿科患者形态学变异大，准确的RV评估一直充满挑战。传统的超声心动图测量方法依赖人工操作，存在主观性强、耗时且一致性差的问题，尤其在资源有限的环境中更为突出。

近日发表在《npj Digital Medicine》的研究提出了一种视频深度学习框架，通过24,984例来自四大洲三级医疗中心的超声心动图，实现了儿科右心室功能的自动化评估。该研究不仅开发了能够进行帧级心室分割和逐搏面积变化分数(FAC)估计的模型，还探索了右心室相关疾病分类和左心室射血分数(LV EF)预测的能力。

研究团队采用了U²-Net架构进行心室分割，该架构在儿科RV评估中表现出卓越性能。模型训练使用了来自美国单中心和多中心亚洲队列的数据，确保了种族的多样性和模型的泛化能力。关键技术方法包括：基于3,993名患者的24,984例超声心动图视频数据构建多中心队列；U²-Net框架实现帧级RV分割；通道分离卷积网络(CSN)进行疾病分类；集成心尖四腔(A4C)和胸骨旁短轴(PSAX)视图提升诊断准确性。

RV FAC预测和RV功能评估(研究1)

模型在RV分割方面达到高精度（美国队列Dice=0.86，亚洲队列Dice=0.88）。对于RV FAC预测，美国队列中R值为0.79，亚洲队列为0.84。RV功能评估的AUC在美国验证集中为0.95，在亚洲多中心数据中为0.97，表明模型在不同人群中均有出色表现。

基于RV的AI学习实现自动化PH识别(研究2)

分类模型在区分正常、肺动脉高压(PH)和法洛四联症(TOF)病例方面表现优异。CSN#1模型（区分正常与PH）在美国队列中准确率达94.8%，在亚洲队列中达90%。CSN#2模型（区分PH与TOF）在美国队列中实现100%准确分类，但在亚洲队列中性能有所下降，突显了人群差异对模型性能的影响。

结合A4C和PSAX超声心动图进行基于RV学习的PH识别(研究3)

集成A4C和PSAX视图的模型展现出最优性能。在区分PH与正常病例时，集成模型准确率达99%，特异性100%，灵敏度83%。在区分PH与TOF时，集成模型准确率为75%，特异性71%，优于单一视图模型。

探索RV AI学习框架用于LV功能评估(研究4)

模型在LV EF预测方面也表现出色，Dice系数达0.91。与美国单中心数据相比，该方法在亚洲多中心队列中表现出更低的平均绝对误差(MAE)和均方根误差(RMSE)，预测偏差分布更紧密，统计显著性p值<10^-8。

研究讨论部分强调，该算法引入了从分割RV到预测FAC和评估RV功能的新工作流程。与传统人工评估依赖单个代表性心跳不同，该模型评估累积的逐搏数据，捕捉变异性，减少遗漏异常，提高诊断精度。虽然主要关注RV功能，但算法也增强了LV功能评估，扩大了临床实用性。

跨美国和中国机构的中心间验证强调了模型在不同临床环境中的泛化能力，无需微调即可应用。这种可扩展性解决了全球医疗资源和患者人口统计的变异性问题，使该模型成为变革儿科心脏护理的工具。

然而，研究也存在一些局限性。算法主要在美国学术中心的高质量超声心动图视频上训练，可能无法完全反映真实世界的成像条件。虽然LV分析作为RV聚焦框架的概念验证扩展，但其临床效用可能受到数据集中异常LVEF（定义为≤55%）患者比例低（训练队列3.2%，验证队列3.5%）的限制。亚洲队列年龄分布相对狭窄（IQR：0.8-4.6岁），超过5岁的参与者少于25%，这可能限制模型在较大儿童和青少年中的外部验证。

该研究的临床意义重大，特别是在自动化儿科RV功能评估方面。实时预测有助于早期发现亚临床RV变化，实现及时干预和改进儿科心脏疾病管理。自动化心跳平均（指南推荐实践）增强了RV和LV评估的一致性和质量，有助于改善心脏疾病儿童的临床结局。

未来研究应优先在真实世界临床环境中验证算法，包括不同的视频质量、采集技术和操作者专业知识。整合超声心动图AI学习与电子病历(EMR)和多模态数据集（包括临床、实验室和纵向随访信息）将进一步改进风险预测、轨迹预测和治疗计划。最终，这些发展将实现床边决策支持，其中纵向AI见解为先天性和获得性心脏病变的个性化管理策略提供信息，通过早期检测、适应性治疗监测和数据驱动的临床指导改善结局。

该研究通过引入基于视频的AI框架推进了儿科心室功能评估，扩展至LV功能预测。模型利用逐搏RV超声心动图分析和U²-Net分割架构，擅长捕捉精细解剖细节，实现专家级精度。与基于传统深度卷积神经网络(DCNN)的模型（如EchoNet-Peds）相比，U²-Net展现出卓越的分割性能，特别是在RV这一历史上在儿科AI研究中代表性不足的领域。该框架在地理和人口统计学不同队列中表现出强大的泛化能力，支持其广泛的临床应用潜力。持续改进、年龄和条件分层验证以及在低资源环境中的部署将是确保AI驱动工具在儿科心脏病学中安全、公平和有影响力采纳的关键下一步。