综述：人工智能在腹部、妇科、产科、肌肉骨骼、血管及介入超声中的应用

本文构建基于心肌纹理特征的机器学习模型，通过超声心动图联合放射组学评分（RadScore）预测肥厚型心肌病（HCM）患者心肌纤维化，显著降低钆对比剂（GBCA）使用风险。模型结合左心室最大壁厚（LVMWT）和纹理特征，测试集曲线下面积（AUC）达0.91，为资源有限医院提供高效筛查工具。

　　

Abstract

研究基于149例肥厚型心肌病（HCM）患者数据，通过分层随机抽样构建训练集与测试集（6:4比例），利用逻辑回归筛选临床及超声特征。基于放射组学评分（RadScore）开发10种机器学习模型，采用代价敏感学习解决类别不平衡问题，并通过五折交叉验证优化超参数。最终组合模型在测试集中表现优异，AUC达0.91（95% CI: 0.83-0.97），敏感性和特异性分别为0.81和0.83。

Introduction

肥厚型心肌病（HCM）以心肌肥厚、细胞结构紊乱和间质纤维化为特征，其中心肌纤维化可导致舒张功能障碍和心律失常。延迟钆增强（LGE）是心肌纤维化的金标准检测手段，但钆对比剂（GBCA）可能引发肾病患者肾源性系统性纤维化。超声纹理分析作为放射组学分支，能低成本、无辐射地量化心肌特征，适合资源有限地区应用。

Methods

研究纳入149例HCM患者（105例LGE阳性），采集超声心动图及LGE-CMR数据。通过放射组学提取心肌纹理特征，结合左心室最大壁厚（LVMWT）等参数，采用极限树算法构建组合模型。通过SHAP方法增强模型可解释性，校准曲线和决策曲线分析验证临床效用。

Results

组合模型显著优于单一模型，F1分数达0.85。关键特征包括心肌纹理异质性和LVMWT，其中室间隔基底段纤维化检出率最高（70.5%）。模型可减少38%不必要的钆对比剂使用，筛查时间缩短至传统方法的1/5。

Discussion

该研究首次将超声纹理分析与机器学习结合用于HCM纤维化筛查，突破传统CMR依赖。模型对非对称性室间隔肥厚表型敏感（AUC 0.89），但对心尖型表型灵敏度较低（0.72），未来需扩大样本优化。

Conclusion

基于心肌纹理的机器学习模型为HCM纤维化筛查提供低成本（成本降低60%）、可重复性高（ICC>0.9）的解决方案，尤其适合基层医院推广。研究获国家自然科学基金（82060051、82460082）及广西科技计划项目支持。