基于深度学习与超声心动图应变分析的亚临床房颤预测新方法

本研究针对亚临床房颤（SCAF/心房高频事件AHREs）早期检测难题，开发了一种结合深度学习（DL）的左心房（LA）自动分割、应变特征提取与AHRE分类框架。通过117例心脏植入式电子设备（CIEDs）患者数据验证，模型在24小时AHRE阈值下达到AUC 0.815，灵敏度0.800，为临床提供无创、自动化风险评估工具，助力房颤及相关心血管事件的早期干预。

　　

房颤（AF）作为最常见的心律失常之一，与卒中、心衰等严重并发症密切相关。然而，亚临床房颤（SCAF）或心房高频事件（AHREs）往往无症状，传统依赖心脏植入式电子设备（CIEDs）或半自动软件（如EchoPAC?）的检测方法存在操作繁琐、主观性强等局限。更棘手的是，左心房（LA）应变虽能反映早期心肌功能障碍，但人工测量效率低下，且缺乏基于深度学习的自动化预测体系。

为解决这一难题，国立阳明交通大学的研究团队在《Medical》期刊发表了一项创新研究。他们开发了一套集成LA分割、应变分析与AHRE分类的深度学习框架，首次实现了从超声图像到房颤风险预测的全流程自动化。研究纳入117例CIEDs患者的超声数据，通过ResUNet++模型实现LA腔体分割（Dice系数0.923），结合Transformer模型整合应变特征与临床指标，在24小时AHRE阈值下达到AUC 0.815，灵敏度0.800，特异性0.783。

关键技术包括：1）基于ResUNet++的LA腔体/壁自动分割；2）利用30帧标准化采样计算LA峰值应变（公式：(L_t-L₀)/L₀）；3）加权交叉熵损失解决数据不平衡问题；4）融合应变时序特征与CHA₂DS₂-VASc评分等10项临床指标的Transformer分类模型。

研究结果亮点：
LA分割结果
ResUNet++在干净测试集上LA腔体分割Dice系数达0.923，显著优于DeepLabv3（p<0.001）。图5显示其能精准捕捉心内膜边界，但薄壁（0.741）和图像伪影仍是挑战。

应变提取验证
Bland-Altman分析显示自动提取的LA峰值应变与专家结果偏差仅-0.003±0.05，95%一致性区间（-0.103,0.096），证实方法可靠性（图6）。

AHRE分类性能
6分钟阈值下模型AUC 0.853，灵敏度0.909；24小时阈值经五折交叉验证均值AUC 0.815±0.14，特异性0.783±0.14（表3）。ROC曲线（图7）显示对长时程AHRE识别更优，与ASSERT研究中>24小时AHRE的高卒中风险结论一致。

这项研究的意义在于：1）首次实现从超声图像到AHRE风险的全自动评估，克服传统半自动软件（如EchoPAC?）的依赖性问题；2）通过LA应变量化心肌功能障碍，为SCAF的病理机制提供影像学证据；3）分类模型可直接辅助临床决策，如对>24小时AHRE患者启动抗凝治疗。局限性包括样本量较小（n=117）和应变分析受图像质量影响，未来需扩大队列验证。

该框架的拓展应用潜力显著，例如心衰患者舒张功能评估。正如讨论所述，完全自动化的LA应变分析将推动心血管疾病管理的精准化进程，为"无声杀手"房颤的早期拦截提供新武器。