综述：人工智能在肿瘤心脏病学影像中预测癌症治疗相关心血管毒性的应用

这篇系统综述探讨了人工智能（AI）在肿瘤心脏病学（cardio-oncology）影像中预测癌症治疗相关心血管毒性（CTR-CVT）的潜力，重点分析了7项研究（2018-2023年）中AI如何通过超声心动图、心脏磁共振成像（CMR）等技术提升左心室射血分数（LVEF）、整体纵向应变（GLS）等指标的检测效率与准确性，为临床早期干预提供新思路。

　　

背景

人工智能（AI）正逐步渗透医疗影像领域，尤其在肿瘤心脏病学（cardio-oncology）中展现出变革潜力。随着全球癌症幸存者数量增长（美国预计2030年达2200万），心血管疾病（CVD）已成为非癌症死亡的主因，其中化疗、放疗等引发的癌症治疗相关心血管毒性（CTR-CVT）问题日益突出。例如，接受蒽环类化疗的患者心肌功能障碍风险高达20%，而曲妥珠单抗（HER2+乳腺癌靶向药）虽提升生存率，却可能引发心功能损伤。

目标

本综述系统评估了AI如何通过影像技术（如超声心动图、CMR）优化CTR-CVT预测，并探讨不同影像模态在AI整合后的改进方向。

方法

通过PubMed、MEDLINE等数据库检索2018-2023年的7项研究，纳入标准包括成人癌症患者、AI影像分析及CTR-CVT相关结局（如LVEF、GLS）。采用CLAIM（医学影像AI清单）进行质量评估，结果显示平均合规率达86%。

结果

影像模态分布：57%研究使用CMR，29%采用超声心动图，14%探索无门控胸部CT。
AI技术：卷积神经网络（CNN）主导（57%），如DeepLabV3+用于DENSE MRI相位解缠；多层感知机（MLP）预测心力衰竭。
关键发现：

• 张等（2018）通过14,035例超声心动图训练CNN，实现心脏结构自动量化，但存在分割偏差。
• 卡团队（2021-2023）开发DENSE MRI的AI工具，证明整体纵向应变（GLS）是CTR-CVT的独立预测因子（风险比HR=4.1）。
• 沈等（2023）利用深度学习自动计算冠状动脉钙化评分（CACS），显著提升DLBCL患者心血管事件预测效能（AUC=0.82）。

讨论

临床价值：AI可克服传统超声心动图的主观性，如Kar等研究显示AI解缠相位误差仅0.02%，远低于人工。EasyScan（Edalati等）将CMR扫描时间缩短40%，且信噪比提升15%。
局限与挑战：

• 样本量小（如Chang等n=211）、单中心设计（占71%）限制泛化性。
• 算法需多人群验证，如Shen研究仅纳入中国患者。
• 伦理与整合：AI决策如何融入临床流程仍需探索。

未来方向

多模态数据（如分子影像、穿戴设备）与AI结合或成趋势。例如，稳定扩散模型可修复低质量影像细节，而跨中心协作能优化算法鲁棒性。

结论

AI在肿瘤心脏病学影像中展现出精准、高效的潜力，但需大规模试验验证。未来，AI驱动的个性化风险评估将优化癌症幸存者心血管管理，正如卡团队所言：“GLS是心肌损伤的哨兵指标”。这一领域的突破，或许正等待一次跨学科的火花碰撞。