基于级联深度学习与机器学习的二维超声心动图心肌梗死早期检测与定位新方法

研究人员针对心肌梗死(MI)临床诊断依赖主观视觉评估的问题，开发了结合U-Net左心室分割与两阶段随机森林(RF)分类的级联AI系统。该研究整合LVEF（左心室射血分数）和GLS（整体纵向应变）等临床参数，在CAMUS和HMC-QU数据集上实现100%敏感性和89.8%特异性，为MI早期精准定位提供自动化决策支持工具。

　　

心肌梗死(MI)作为冠状动脉疾病最严重的临床表现，每年导致全球数百万人死亡。传统超声心动图诊断依赖医生主观评估区域室壁运动异常(RWMA)，存在判读差异大、早期微小病变易漏诊等问题。尽管斑点追踪超声心动图(STE)技术能提供定量分析，但其敏感性仅80-85%，且受图像质量和厂商算法差异限制。更棘手的是，现有AI研究多聚焦单一分类任务，缺乏结合解剖学分割与功能评估的整合方案，难以满足临床对梗死精确定位的需求。

研究人员创新性地构建了"分割-分类"级联框架。首先采用EfficientNet-B4为骨干的U-Net网络，在包含500例患者的CAMUS数据集和162例MI患者的HMC-QU数据集上进行左心室(LV)分割训练，Dice系数达96.3%。随后提取LVEF、GLS、节段位移等14项临床参数，设计两阶段RF分类器：第一级全局分类器筛查MI阳性患者（敏感性96.3%），第二级6个节段特异性分类器精确定位病变节段。通过SHAP值可解释性分析，发现基底节段主要依赖位移特征（SHAP值0.032-0.05），而心尖节段更依赖应变参数（SHAP值0.037）。

关键技术包括：1) 多中心数据集联合训练提升模型泛化性；2) 基于AHA 17节段模型开发简化编号系统适配单平面视图；3) 采用3/2幂律公式估算单平面LVEF，平均绝对误差7.32-11.6%；4) 通过合成数据增强解决样本不平衡问题。

研究结果显示：

1. 左心室分割：测试集Dice系数96.0%，LVEF计算误差11.6%，单帧处理时间50ms

2. MI分类性能：级联方案显著优于单阶段模型，敏感性达100%（对比文献最高94.1%），特异性89.8%（对比文献84.0%）

3. 特征重要性：全局分类器中LVEF贡献度最高（SHAP值0.046），证实其核心临床价值

4. 跨研究对比：在HMC-QU数据集上，准确率94.9%超越既往所有方法（Nguyen等91.4%，Degerli等85.38%）

讨论指出，该研究首次实现：1) 多中心数据驱动的LV分割模型；2) 融合临床参数的可解释AI系统；3) 兼顾敏感性与特异性的级联架构。虽然当前仅支持心尖四腔观(A4C)，但28.4秒/病例的处理速度已满足临床实时需求。论文发表于《Medical Engineering》，为AI辅助心血管诊断树立新标杆，其节段定位功能可指导靶向血运重建，应变参数分析有助于早期发现亚临床心肌功能障碍。未来需拓展至多平面视图并引入不确定性量化，以进一步提升临床适用性。