基于深度学习与数字听诊器记录的犬类粘液瘤性二尖瓣疾病中二尖瓣反流严重程度评估新方法

本研究针对犬类粘液瘤性二尖瓣疾病(MMVD)中二尖瓣反流(MR)严重程度评估的临床挑战，开发了一种基于卷积神经网络(CNN6)的深度学习模型，通过分析数字听诊器采集的心音图(PCG)信号，实现了94.12%的准确率。该研究为兽医临床提供了一种无创、快速且可靠的MR分级工具，可辅助传统超声心动图检查，推动AI技术在动物心脏病诊断中的应用。

　　

犬类粘液瘤性二尖瓣疾病(MMVD)是小型犬最常见的心脏病，约75%的病例会发展为二尖瓣反流(MR)和充血性心力衰竭。目前超声心动图虽是诊断金标准，但成本高且依赖操作者经验，而传统听诊受限于人耳敏感性和主观性。数字听诊器结合人工智能(AI)技术为这一难题提供了新思路——通过捕捉人耳难以识别的低频心音特征，可能实现MR的客观分级。

首尔大学兽医学院的研究团队在《BMC Veterinary Research》发表了一项突破性研究。他们利用460只MMVD患犬的1,840份数字听诊器记录，开发了基于卷积神经网络(CNN6)的深度学习模型。该模型通过分析心音图(PCG)信号，将MR严重程度分为轻度、中度和重度三类，准确率达94.12%，特异性97.30%，显著优于传统方法。这项技术为兽医提供了一种可替代超声的便携式诊断工具，尤其适合基层诊所和早期筛查。

关键技术包括：1) 使用WITHaPET WP-100数字听诊器采集四心区PCG信号；2) 采用MINE评分系统（含LA/Ao比值、LVIDDn等4个超声参数）作为金标准；3) 对比CNN6、PaSST和ResNet38三种深度学习架构；4) 以Fbank特征提取优化频谱分析；5) 通过7:2:1比例划分训练/验证/测试集。

研究结果显示：
背景：MMVD患犬中MR严重程度与心音特征存在定量关联，但传统听诊无法精准捕捉。
方法：CNN6模型通过5×5卷积核逐层提取PCG时频特征，结合批归一化(BN)和ReLU激活函数，在8秒音频片段中识别关键模式。
结果：CNN6-Fbank组合表现最优，对重度MR识别率达97%，曲线下面积(AUC)0.99。Grad-CAM可视化证实模型主要关注心音特征而非噪声。
讨论：该技术突破了传统听诊的局限性，但需注意肥胖、胸壁厚度等生理因素可能影响信号质量。未来需扩大样本验证实时应用价值。

结论部分强调，这是首个针对犬类MMVD的AI心音分析系统，其创新性在于：1) 首次将Fbank特征用于动物心音分析；2) 验证了PCG信号与MINE评分的强相关性；3) 为开发兽医专用智能听诊设备奠定基础。尽管存在单中心研究的局限性，但该方法已显示出作为超声心动图补充工具的潜力，有望改善犬类心脏病的早期诊断和预后评估。