人工智能赋能热成像技术诊断急性失代偿性心力衰竭的探索性研究

本研究针对急性失代偿性心力衰竭（ADHF）诊断困难的问题，创新性地结合热成像技术与人工智能（AI）算法，通过分析患者面部和手部特定热点的温度梯度差异，开发了一种非侵入性诊断工具。结果显示，该模型灵敏度达84%，曲线下面积（AUC）为0.82，为ADHF的早期识别提供了低成本、高效的新策略，具有重要临床转化潜力。

　　

心力衰竭（HF）是全球范围内的高死亡率疾病，但临床诊断准确率不足70%，尤其对于急性失代偿性心力衰竭（ADHF），传统生物标志物如B型利钠肽（BNP）检测存在成本高、可及性差的局限性。医生常通过触诊评估四肢温度辅助诊断，但这种方法主观性强。热成像技术通过捕捉组织红外辐射量化温度分布，此前在乳腺癌筛查中表现不佳，但结合人工智能（AI）可能焕发新生。

为探索热成像在ADHF诊断中的价值，来自某中国医院的研究团队开展了一项横断面研究，成果发表于《JACC: Advances》。研究纳入60例心脏疾病住院患者（30例ADHF，30例对照），使用FLIR ONE热像仪采集面部和手部10张热图，分析11个热区点、6个平均温度及7个梯度值，并采用极端梯度提升（XGBoost）模型构建诊断算法。

主要技术方法
研究在三级医院开展，连续纳入2022-2023年ADHF住院患者，匹配性别相同的非HF心脏疾病患者作为对照。使用160×120像素热像仪在受控环境下拍摄热图，通过FLIR工具分析热力学参数，两名医师盲法评估数据可靠性。采用XGBoost模型（84%训练集/16%验证集）评估诊断性能，以HF专家团队临床诊断为金标准。

研究结果

1. 基线特征：ADHF组NT-proBNP中位数显著高于对照组（6,092.5 vs 74.5 pg/mL），且更易出现啰音（90%）、下肢水肿（86.7%）等典型症状。
2. 热图分析：ADHF组热区点温度普遍更低（如手部热点HTP1：33.8°C vs 36°C），但温度梯度更高（如面部梯度FG3：3.1°C vs 1.8°C），组间差异均具统计学意义（P<0.05）。
3. 模型性能：XGBoost模型灵敏度84%、特异性52%，AUC达0.82（95%CI：0.73-0.91）。关键预测变量包括手部热点HTP2、面部梯度FG4等，其中梯度参数贡献度更高。

结论与意义
该研究首次证实ADHF患者存在特征性体表温度分布模式：核心温度降低伴随远端梯度增大，反映低心输出量导致的灌注异常。尽管特异性有待提升（可能受肥胖等因素干扰），但84%的灵敏度表明热成像结合AI可作为ADHF筛查的"光学生物标志物"。其非侵入、低成本（单台热像仪约200美元）的优势，特别适合医疗资源匮乏地区。未来研究需扩大样本量，并探索该技术在门诊慢性HF监测中的应用价值。

值得注意的是，热成像诊断无需抽血且可远程实施，这与新兴的语音分析技术（如监测肺淤血）共同构成了HF管理的数字化解决方案。正如作者强调，这种"无接触诊断"范式可能重塑心血管急症的早期干预策略。