综述：人工智能和机器学习在超声心动图中的当代应用

这篇综述系统阐述了人工智能（AI）和机器学习（ML）如何通过自动化图像分析、减少变异性及提升诊断准确性，重塑超声心动图领域。文章重点探讨了AI在左心室射血分数（LVEF）评估、瓣膜病诊断及心肌病筛查中的应用，同时指出模型可解释性、泛化能力和临床整合等挑战。核心创新包括深度学习（DL）架构（如U-Net、CNN）在视图分类和图像分割中的突破，以及Grad-CAM技术增强模型透明度。

　　

人工智能和机器学习在超声心动图中的方法学进展

AI技术通过模拟人类智能的算法，在超声心动图中实现了从原始数据到临床决策的转化。机器学习（ML）作为AI的核心分支，可分为监督学习（如视图分类）和无监督学习（如患者聚类）。深度学习（DL）通过多层神经网络提取复杂特征，尤其在图像处理中表现突出。例如，卷积神经网络（CNN）通过分层识别从边缘到整体形状的特征，实现标准视图的精准分类。

U-Net架构通过编码器-解码器结构和跳跃连接，在左心室（LV）分割任务中达到亚毫米级精度，显著提升射血分数（EF）计算的效率。为破解DL模型的“黑箱”难题，梯度加权类激活映射（Grad-CAM）技术可视化模型关注区域，例如在肥厚型心肌病中突出增厚的心室壁，增强临床信任度。

射血分数评估的自动化革命

LVEF作为评估收缩功能的金标准，其手动测量耗时且存在观察者间差异。AI模型通过三步革新实现自动化：

1. 视图分类：DL模型将经胸超声（TTE）图像分为心尖二腔（A2C）、四腔（A4C）等5类标准视图，准确率>95%。
2. 时空分割：如EchoNet-Dynamic模型通过分析连续心动周期，直接预测EF值（误差<3.66%），同时识别左室肥厚（LVH）等附加特征。
3. 即时反馈：急诊科应用的EchoNet-POCUS模型实时评估EF和图像质量（AUROC 0.92），缩短诊断时间40%。

儿科领域专用模型EchoNet-Peds在儿童LV分割中达到Dice系数0.89，证明AI可适应特殊人群。

舒张功能障碍与HFpEF的智能诊断

针对射血分数保留型心衰（HFpEF）的诊断困境，AI模型通过多模态数据整合实现突破：

• 动态特征捕捉：1D CNN分析A4C视图的房室动力学，识别早期舒张异常（AUC 0.95）。
• 表型分层：如HOMAGE试验中ML模型将患者分为3类，仅“舒张异常伴结构重塑”组对螺内酯治疗应答（NT-proBNP下降35%）。
• 左房应变指标：机器学习衍生的左房应变指数（LASi）提升预后预测效能（C-index 0.733 vs传统指标0.720）。

右心室与瓣膜病的精准评估

右心室（RV）功能的AI评估填补了复杂几何形态的测量空白：

• Transformer模型：在RV容积量化中与心脏MRI高度一致（R²=0.95），误差仅7.2%。
• 瓣膜病筛查：自监督学习模型通过胸骨旁长轴（PLAX）视图检测重度主动脉瓣狭窄（AS），AUROC达0.978，阴性预测值>98%。
• 二尖瓣反流（MR）分级：多参数ML模型整合缩流颈宽度等16项参数，区分中重度MR准确率97%。

挑战与未来方向

当前局限包括训练数据偏倚（如学术中心数据占主导）、图像质量依赖性（急诊超声性能下降20%），以及伦理监管需求。未来趋势指向：

1. 多模态融合：如心脏淀粉样变性的ECG+超声联合模型将阳性预测值（PPV）从33%提升至76.6%。
2. 实时监测：AI驱动的ICU血流动力学自动化监测系统正在试验中。
3. 全球可及性：非洲研究表明，AI辅助新手操作员可实现90%的RHD筛查准确率。

AI正逐步成为超声心动图的“智能助手”，但临床医生的终审角色不可替代。正如作者强调，AI的价值在于“增强而非取代人类判断”——这一原则将指引该领域走向安全、高效的未来。