深度学习赋能MRI心房颤动评估：从心房重构、血流动力学到临床风险分层

《Meta-Radiology》：Advances in Deep Learning for MRI-Based Assessment of Atrial Fibrillation: A Structured Narrative Review

　　

• 心脏MRI（cardiac MRI）能够对心房颤动（atrial fibrillation, AF）中的心房重构（atrial remodeling）和血流动力学改变（hemodynamic alterations）进行全面的无创表征。
• 深度学习（deep learning, DL）通过改善图像质量、自动化程度和可重复性，增强心房MRI分析，支持诊断、风险分层（risk stratification）和消融规划（ablation planning）。
• MRI与DL的整合在个体化AF管理方面显示出前景，但需要标准化方法和大型多中心验证（multicenter validation）研究。

心房颤动（atrial fibrillation, AF）是最常见的持续性心律失常之一，呈进展性，可从阵发性AF进展为持续性AF，并伴随心房重构（atrial remodeling）和功能损害。随着人口老龄化、生存率提高和检测能力增强，AF负担持续上升；但其发生发展机制仍未完全阐明，心房电重构、结构重构及心腔内血流动力学（hemodynamics）改变是重要机制。心脏磁共振成像（cardiac magnetic resonance imaging, MRI）具有软组织对比优良、多参数组织表征和无电离辐射等优势，可综合评估左心房形态、心肌纤维化（fibrosis）、心房功能及血流动力学改变。然而，左心房MRI分辨率高、噪声低、组织对比丰富，人工分析耗时且存在观察者间差异和可重复性问题；DL可自动提取高维影像特征，减少人工标注依赖，提高图像分析效率与一致性，用于心房基质表征、纤维化定量、消融规划和风险分层。现有研究仍存在任务碎片化、标注数据稀缺、标准化不足、跨中心泛化和多中心验证不足等问题。因此，研究人员开展结构化叙述性综述，围绕AF相关心房重构与血流动力学改变、心脏MRI评估方法以及DL在MRI增强、分割、纤维化与血流分析、患者级风险评估中的应用进行归纳，旨在为未来基于MRI的计算机辅助AF评估和风险分层提供基础。该文发表于《Meta-Radiology》。作者为Yiqin Gu、Ruoxi Yu、Lifeng Li、Yucheng Song。研究结论认为，MRI与DL整合在个体化AF管理方面具有前景，但仍需标准化方法和大型多中心验证研究。

关键技术方法：本文为结构化叙述性综述，围绕AF相关心房重构与血流动力学、心脏MRI方法、DL方法三主题归纳文献。MRI技术涉及稳态自由进动（steady-state free precession, SSFP）、延迟增强MRI（delayed enhancement MRI, DE-MRI）/晚期钆增强（late gadolinium enhancement, LGE）MRI、磁共振弹性成像（magnetic resonance elastography, MRE）和四维血流MRI（four-dimensional flow MRI, 4D-Flow MRI）；DL架构涉及卷积神经网络（convolutional neural network, CNN）、Transformer、状态空间/Mamba及基础/提示分割模型；任务涵盖去噪、超分辨率、分割、血流动力学分析与患者级预测。样本队列包括STACOM 2018、University of Utah 60例AF患者154次扫描、UK Biobank 40,558名参与者、DECAAF-II 235例持续性AF及GLORIA-AF等登记队列。

研究结果：1）心房重构与心房颤动：通过Everett犬模型等研究，研究人员总结结构重构尤其纤维化在AF维持和复发中具有重要作用；电重构与结构重构相互促进并形成自我维持循环；TGF-β₁、基质金属蛋白酶（matrix metalloproteinases, MMPs）/金属蛋白酶组织抑制剂（tissue inhibitors of metalloproteinases, TIMPs）参与细胞外基质重塑；Utah分级按左心房纤维化/左心房壁体积百分比将纤维化分为I–IV级。2）心腔内血流动力学与心房颤动：正常左心房血流呈层流并形成中央湍流，AF时左心室流出道流速降低、脑和冠状动脉灌注下降、内皮细胞激活潜能（endothelial cell activation potential, ECAP）增加；Paliwal等计算流体动力学模拟显示高纤维化负荷区域暴露于更慢、更振荡的血流；低速涡流可影响内皮细胞、成纤维细胞、心肌细胞和炎症反应，参与心肌组织重构。3）MRI评估AF的方法：SSFP小标题下，Fleck等19例消融后患者、Shigenaga等54例消融患者、Almeida等47例阵发性AF患者及11名健康志愿者研究提示，SSFP可行、可重复，可在无辐射和对比剂条件下提供消融所需信息，低射血分数与阵发性AF纤维化相关。DE-MRI小标题下，M?rgulescu等评估可重复性，Higuchi等87例阵发性AF和73例持续性AF，Cochet等190例及387例AF患者研究提示LGE可评估纤维化分布并与卒中史相关；但阈值方法、Utah分期跨中心重复性、扫描仪和场强异质性及缺乏在体组织病理金标准限制标准化。MRE小标题下，Grondin等3只正常犬和8例AF患者、Naser等51例肥厚型心肌病、Arani等16名志愿者和22例淀粉样变患者及Arunachalam等动物实验提示MRE可无创定量心肌/心房硬度并评估纤维化。4D-Flow-MRI小标题下，Eriksson等10名健康者和10例扩张型心肌病、Lee等86例窦律及AF患者研究提示4D-Flow MRI可量化流速、涡流、动能和壁剪切应力等，识别AF相关血流异常。4）基于DL的AF评估总结：DL可自动提取特征并减少人工操作。DL框架小标题下，CNN适合图像处理并衍生AlexNet、VGG、GoogLeNet、ResNet、DenseNet、U-Net、V-Net等；Transformer通过自注意力建模长程依赖，ViT、Swin Transformer、TransUNet、Swin-UNet等用于分割，但存在计算、标注和可解释性挑战；状态空间与Mamba架构以线性复杂度适合高分辨率3D和时序数据，SegMamba、VM-UNet等处于早期探索；基础与提示分割模型如SAM、MedSAM、SAM2具零样本/少样本能力，可用于左心房分割，但3D适配、域适应和可靠性仍需验证。DL pipeline小标题下，去噪研究（Fathi、Phipps、Kofler、Hauptmann等）表明DL可抑制4D-Flow、DT-MRI和cine MRI噪声与伪影；超分辨率研究（Masutani等400次扫描/367例患者、Basty、Ferdian、Jiang、Zhao等）表明DL可恢复高频细节和提升4D-Flow分辨率；分割研究（Lu等550幅2D切片、Chen等STACOM 2018、Xia、Yang、Li、Ghosh、Li scar、Xiong AtriaNet等）表明DL可实现左心房和瘢痕分割；血流动力学分析研究（Garcia、Spartera、Liao、Peper、Fathi、Ferdian、Sun、Perrin、Parker等）表明DL可支持4D-Flow自动分割、流速和涡流量化及计算建模；患者级AF预测研究（DECAAF-II、Chung等SOFA 235例持续性AF、Pirruccello等UK Biobank 40,558名参与者及多模态融合研究）表明DL可整合MRI、心电图和临床变量预测复发，SOFA在DECAAF-II中预测复发AUC为0.671±0.052，并在计算机模拟中使预测复发风险降低22.18%。有限数据学习策略小标题下，弱监督、自监督、生成模型、迁移学习、域适应、半监督及2D/3D/2D+time策略可在标注稀缺条件下提升分割和预测性能，但合成数据需临床真实性验证。临床转化与部署小标题下，多模态融合可整合MRI、CT、心电图、电解剖标测和电子健康记录；可解释人工智能和不确定性估计有助于增强信任；跨中心泛化需域泛化、MRI harmonization、联邦学习和公平性评估。5）总结与展望：AF机制涉及心房重构和心腔内血流动力学改变；MRI可显示左心房扩大、几何改变、功能受损、LGE纤维化及4D-Flow血流停滞、涡流和壁剪切应力异常；DL可提高AF检测准确性和效率、识别风险因素并辅助个体化治疗，但研究仍处初期，存在数据不足、标注不一致、泛化能力弱、标准化和多中心验证不足等挑战。

讨论部分总结：MRI与DL结合在AF心房基质表征、纤维化定量、血流动力学分析和患者级风险分层中具有潜力，可减少人工分析负担并提高可重复性；但现有DL模型多在单中心、回顾性队列中开发，任务优化彼此独立，上游去噪/超分辨率误差可传播至下游分割和预测；跨厂商、场强、采集协议和人群差异导致域偏移，缺乏外部验证、组织病理金标准、可解释性和公平性评估。未来需发展端到端集成框架、弱监督/自监督和基础模型、多模态融合、跨中心域泛化与联邦学习，并在多样队列中开展前瞻性验证。

研究结论翻译：随着计算机技术不断发展，DL算法在心血管疾病诊断和治疗中的应用日益广泛，为MRI识别与处理提供了重要支持，也为基于MRI的临床评估和患者管理提供了可靠依据。然而，基于MRI和DL的AF研究仍处于初期阶段，存在数据不足、标注不一致和泛化能力较弱等挑战。此外，基于现有文献，现有MRI心房图像处理技术多基于CNN等监督学习算法；未来如何将弱监督和无监督方法与MRI处理相结合仍是巨大挑战。研究人员需要更加关注数据质量、模型可解释性和临床应用，并整合互补的临床模态以促进患者综合管理，从而改善AF患者的治疗结局和预后。