基于超声心动图视频驱动的多任务学习模型在冠状动脉疾病诊断及狭窄程度分级中的应用研究

本研究创新性地开发了基于3DDeepLabV3+架构的智能超声心动图模型（IE-CAD），通过多任务学习整合左室射血分数（LVEF）、整体纵向应变（GLS）和心肌做功（GWE）等参数，实现冠状动脉疾病（CAD）的自动化诊断与Gensini评分预测。模型在内部验证中达到0.78的AUC值，外部验证显示良好泛化性，为临床提供无创、高效的CAD筛查新工具。

　　

引言

冠状动脉疾病（CAD）作为全球主要致死性疾病，其早期诊断依赖侵入性冠状动脉造影。超声心动图虽为一线无创筛查手段，但传统视觉评估存在耗时、主观性强等局限。近年来，斑点追踪超声心动图（STE）和心肌做功分析虽提升量化评估能力，仍高度依赖操作者经验。人工智能（AI）技术的介入为突破这一瓶颈提供新思路，但现有研究多基于CT影像，存在辐射暴露和成本问题。

材料与方法

患者队列

研究纳入北京医院290例临床疑似CAD患者（平均年龄62.9±9.9岁，男性84.5%），按8:2比例划分训练集与测试集。外部验证采用阜外医院150例患者数据。所有受试者均接受基线超声心动图检查，并在次日行冠状动脉造影。排除标准涵盖严重瓣膜病、心律失常及图像质量不佳者。

技术框架

IE-CAD模型核心采用3D-DeepLabV3+编码器（基于3D-ResNet50），通过低秩多任务学习（MLoRE）架构实现四大功能模块：

1. 心脏结构分割：对20帧完整心动周期图像（含10帧舒张期至收缩期）进行心室/心肌分割，Dice系数达0.91
2. 参数计算：同步输出LVEF（MAE=5.11%）、GLS（MAE=1.88%）和GWE（MAE=2.6%）曲线
3. CAD分类：定义显著CAD（左主干狭窄≥50%或非主干≥70%）与重度CAD（Gensini≥15分）
4. Gensini预测：采用三腔室视图最大值策略，Pearson相关系数0.545

创新设计

• 动态特征捕捉：相比传统仅标注舒张/收缩末期两帧的方法，20帧标注更好反映心肌运动时空特征
• 低秩特征互补：通过专用卷积块提取GLS/LVEF/GWE的稀疏特征，增强主特征表达能力
• 多模态整合：融合结构分割、功能参数与临床指标（如HbA1c、BNP）提升预测效能

结果

临床特征分析

CAD阳性组（n=122）显示更高Gensini评分（45.77 vs 13.18, P<0.001）及糖尿病患病率（51.6% vs 38.7%）。心肌做功参数中，GWE（P<0.001）和整体做功指数差异显著，而常规指标如左房直径无统计学差异。

模型性能

• 内部验证：检测"显著或重度CAD"的AUC 0.78（敏感性0.85），单独预测重度CAD的AUC 0.76
• 外部验证：跨中心/设备验证显示AUC 0.77（敏感性0.78），证实模型鲁棒性
• 分割精度：左室心肌分割Dice系数0.93，优于现有AI模型（如Upton等报告的0.89）

讨论

技术突破

IE-CAD首次实现心肌做功与GLS的自动化联合评估，其创新性体现在：

1. 临床实用性：5分钟内完成传统需30分钟的手工分析流程
2. 病理关联：GLS与Gensini评分的相关性（r=0.545）揭示心肌力学改变与冠脉病变的定量关系
3. 风险预警：识别12.8%的"造影阴性但Gensini≥15分"潜在高危人群

对比优势

相较于应力超声（AUC 0.84-0.92），IE-CAD在静息状态下达到相近性能，且避免患者耐受性问题。与Salte等开发的纯GLS模型相比，新增心肌做功参数使特异性提升7.2%。

局限与展望

当前样本量（n=440）和单品牌设备数据限制泛化能力。未来计划：

1. 纳入短轴视图与多普勒数据
2. 尝试Transformer架构处理时空特征
3. 开发临床决策支持系统

结论

IE-CAD模型通过深度学习解析超声心动图动态特征，实现CAD无创诊断与病变量化评估，其高效自动化特性适合基层医疗推广，为心血管疾病筛查提供新范式。