基于深度学习的超声心动图大数据自动处理与精准测量管道构建及其临床验证研究

为解决超声心动图大数据人工测量耗时、易变且缺乏质量控制的问题，研究人员开发了基于深度学习的全自动数据整理与测量管道。该管道在大型真实世界数据库（14,326例检查）中成功实现了左心室射血分数(LVEF)和左心房容积指数(LAVI)的自动化测量，与人工测量相比偏差小（LVEF: -1.8±7.6%；LAVI: 3.3±8.1 mL/m2），且在图像质量和疾病条件下表现稳健，为心脏影像研究和数据挖掘提供了可靠工具。

　　

超声心动图是临床诊断心脏疾病的基石影像技术，每天在全球各地的 echo lab（超声心动图实验室）中产生海量影像数据。这些数据本应是心脏成像研究的宝贵资源，但由于定量测量需要专业人员手动完成，既耗时又容易受到操作者主观差异的影响，导致大量数据未被充分利用。当前指南推荐的标准左心室(LV)评估需进行15次独立记录和大量测量，完整协议甚至超过100次记录和测量，但实际临床工作中常因时间限制而依赖视觉评估（“ eyeballing”），使得定量数据缺失。因此，开发自动化、快速且一致的测量方法对于释放这些数据的潜力至关重要。

近年来，深度学习技术在医学影像分析中展现出强大能力，已有研究成功应用于心脏腔室量化、心肌功能障碍识别和预后评估。然而，真实世界超声心动图数据库的自动化分析面临多重挑战：数据需经过整理（curation）以筛选适合测量的记录；图像质量受操作者经验、疾病特征和患者自身因素影响；且标准化视图并不总是可用。为此，研究人员开发了一套全自动深度学习管道，用于大规模超声心动图数据整理和测量，并以左心室射血分数(LVEF)和左心房容积指数(LAVI)为用例进行验证。该研究发表在《European Heart Journal - Digital Health》，为心脏影像研究和临床诊断提供了新工具。

研究团队主要采用了几个关键技术方法：首先，利用来自挪威St. Olavs大学医院echo lab的真实世界TRUST数据集（14,326例检查，9,678例患者）和健康人群HUNT4数据集（1,488例）作为样本来源；其次，基于MobileNetV3和CVC网络开发了图像模态和B模式视图分类模型，用于数据整理；第三，采用心脏事件检测模型和ECG回归公式确定舒张末期(ED)和收缩末期(ES)时间点；第四，使用U-Net和GraphNet双分割网络进行左心室和左心房分割，并以Simpson法计算容积和LVEF/LAVI；最后，通过Bland-Altman分析等统计方法验证自动化测量与人工测量的一致性。

数据整理和验证

图像模态分类网络在测试集上达到98%的加权准确率，B模式视图分类准确率为90%。数据整理管道在TRUST数据集中有手动测量的1,763例检查中，成功排除了27例缺失B模式记录的检查，但错误排除了28例因分类错误缺失A2C视图的检查。时序网络对ES和ED的识别可行性分别为92%和83%，缺失部分通过ECG回归公式补充。最终，在加入分割质量控制（Dice≥0.8）后，1,453例（82%）检查可用于分析。

测量管道验证

LVEF测量的自动化与参考值之间的平均差异（偏差）在TRUST和HUNT4数据集中分别为-2.0%（8.2%）和-1.4%（6.7%），总体偏差为-1.8%（7.6%），一致性界限(LOA)为±14.9%。LAVI测量在TRUST和HUNT4中的偏差分别为4.6 mL/m²（9.9 mL/m²）和2.5 mL/m²（6.5 mL/m²），总体偏差为3.3 mL/m²（8.1 mL/m²），LOA为±15.9 mL/m²。分割质量控制排除221例检查后，偏差略有降低，表明在可行性和一致性之间存在权衡。

图像质量分析

图像质量评分从1（最低）到4（最高）分组显示，测量变异性随质量提高而减少：最差质量组LVEF的LOA为±19.7%，最佳质量组为±10.8%。在半自动方法(AutoEF)与手动参考的比较中，低质量图像下自动化测量与半自动方法一致性更好，而高质量图像下与手动方法更一致。

疾病组间一致性

在不同疾病组（缺血性心脏病、心律失常、心力衰竭、瓣膜病）中，自动化测量的偏差和标准差差异很小，表明管道对各种病理条件具有稳健性。特别在心衰患者中，LVEF和LAVI的测量在整个数值范围内表现一致，无明显异方差性。

大型未标记数据集测量

应用管道至14,326例无人工测量的TRUST检查中，排除707例经食管超声后，13,619例进入分析，最终获得8,283例LVEF和8,868例LAVI测量值。其分布与有参考测量的小部分检查相似，表明自动化管道在整体水平上产出一致结果。

研究结论和讨论部分强调，该自动化数据整理和测量管道能够稳健、准确地从大型真实世界超声心动图数据库中提取LVEF和LAVI测量值。其性能 across 不同图像质量和病理条件，凸显了其对临床实际应用的适应性。自动化方法不仅节省时间（手动测量10,000例检查需至少800小时），还可能减少操作者间变异性，提高测量一致性。未来工作可扩展至完整超声心动图分析，并探索影像表型与心脏疾病间的复杂关系，最终推动 echocardiography（超声心动图）在心血管研究和个体化诊疗中的更广泛应用。