基于超声心动图视频深度学习早期预测儿童癌症幸存者心肌病

《Echocardiography》：Early Prediction of Cardiomyopathy in Pediatric Cancer Survivors Using Echocardiographic Video-Based Deep Learning

　　

目的：心肌病（CM）是儿童癌症幸存者晚期死亡的主要原因，但通常仅在发生不可逆的心脏重构后才被识别。在这项概念验证研究中，研究人员评估了应用于常规超声心动图视频的深度学习能否识别可预测未来CM的特征。 方法：研究人员分析了来自癌症诊断时年龄≤21岁的癌症幸存者的胸骨旁短轴切面片段。训练三维深度卷积神经网络（3D DCNN）对CM诊断前长达五年的超声心动图进行分类，区分CM阳性与CM阴性研究。在内部留出验证集（中心1）和外部验证队列（中心2、3）上评估了性能。通过将患者分为发展为CM的高风险组和低风险组来评估模型的预后价值，并使用累积发生率和比例风险回归分析评估未来CM的概率。 结果：在内部留出集中，模型实现了0.87±0.05的受试者工作特征曲线下面积（AUROC）和0.74±0.07的精确率-召回率曲线下面积（AUPRC）。外部验证显示单次研究判别能力接近随机水平（中心2和中心3的AUROC分别为0.55±0.02和0.60±0.03；AUPRC分别为0.22±0.02和0.21±0.03）。然而，对外部队列的分析显示，高风险组与低风险组的CM概率显著更高（风险比2.78，95% CI = 1.52–5.10，p = 0.00056）。 结论：深度学习模型有潜力在儿童癌症幸存者CM诊断前数年识别细微的超声心动图标志物，并可作为风险导向CM监测的初步步骤。需要进一步完善和验证以确定深度学习在该人群中早期识别病理性心脏重构的效用。

研究背景与问题

随着儿童癌症生存率的持续提高（美国5年生存率约85%，现有近50万幸存者），长期健康问题日益凸显，其中治疗相关的心肌病（CM）是导致儿童癌症幸存者过早发病和死亡的主要原因之一。现行指南推荐对高风险患者进行常规超声心动图筛查，以检测左心室（LV）收缩功能异常等早期CM迹象。然而，传统超声心动图评估受观察者内和观察者间变异性的影响，限制了其敏感性，并且可观测到的变化往往意味着不可逆的心脏重构已经发生。因此，亟需能够揭示早期疾病进展微妙机制、促进CM更早检测的方法。深度学习（DL）在处理医学图像复杂模式方面表现出色，但在儿科心脏肿瘤学领域应用仍然稀缺。由于缺乏公开的儿科超声心动图数据集、数据标注预处理劳动密集以及儿科心血管疾病的罕见性导致的类别不平衡，DL在该领域的潜力尚未充分发挥。

研究方法与技术路线

为解决上述挑战，研究人员开发了基于三维深度卷积神经网络（3D DCNN）的深度学习模型，利用来自三个大型儿童医院（中心1用于开发和内部验证，中心2和中心3用于外部验证）的儿童癌症幸存者回顾性队列数据。关键技术包括：从DICOM格式超声心动图中手动选取胸骨旁短轴切面（PSAX）视频片段；对所有视频进行标准化处理至32帧/秒，并通过时间亚采样选取16帧近似一个心动周期；空间下采样至224×224像素；应用直方图匹配减少亮度对比度差异；采用包含6个3D卷积层、批归一化、ReLU激活、最大池化和全局平均池化的网络架构进行分类；使用Adam优化器和分类交叉熵损失函数；按患者而非研究进行分层以避免数据泄露；采用Gradient-weighted Class Activation Mapping (Grad-CAM)增强模型可解释性；利用Youden指数确定风险分层阈值并进行时间-事件分析。

研究结果

模型性能与内部验证：研究人员针对三个时间窗分别训练了模型：CM_all（纳入CM诊断前5年内所有研究）、CM_1–5（排除诊断前1年内研究）和CM_1–3（仅限诊断前1-3年研究）。在内部留出验证集中，CM_all模型表现最佳，平均AUROC为0.87±0.05，平均AUPRC为0.74±0.07，灵敏度0.75±0.14，特异度0.79±0.15，阳性预测值（PPV）0.58±0.20，阴性预测值（NPV）0.91±0.04，准确率0.78±0.09。CM_1–5和CM_1–3模型的AUROC分别降至0.82±0.06和0.77±0.06，表明越接近诊断时间的超声心动图携带更强的预测信号。

外部验证：将CM_all模型应用于中心2和中心3的外部验证集，单次研究判别能力下降至接近随机水平（AUROC分别为0.55±0.02和0.60±0.03；AUPRC分别为0.22±0.02和0.21±0.03）。尽管如此，模型仍保持了中等水平的灵敏度、特异度和NPV。

时间-事件分析：将两个外部中心的数据合并后进行时间至CM分析，结果显示高风险组与低风险组在CM发生时间上存在显著差异（log-rank p = 0.00056，HR = 2.78，95% CI = 1.52–5.10），高风险组未来发生CM的概率显著更高。模型表现出适度的判别能力（Harrell's C-index 0.61，95% CI 0.55–0.68）。

模型可解释性：Grad-CAM热图显示，模型注意力主要集中在心脏壁各层和乳头肌区域，表明预测依据来源于临床相关的左心室收缩结构。

讨论与结论

本研究的核心贡献在于首次将3D时空视频建模应用于预测儿童癌症幸存者的未来CM，相较于先前基于静态四帧蒙太奇图像的研究（AUROC 0.64±0.04）取得了显著提升。模型性能随距诊断时间距离的增加而下降，表明预测信号在临近诊断阶段更强。尽管外部验证中单次研究判别能力有限，但纵向时间-事件分析捕捉到了显著的预后信息，提示跨整个随访窗口的风险评估可能捕获未被单次分类充分反映的超声心动图信息。局限性包括：外部验证性能下降反映了小规模不平衡数据集和跨机构成像协议差异带来的泛化挑战；CM阴性组未限制固定无病间隔可能导致部分标签错误；以及需要进一步评估临床实用性。研究结论指出，深度学习模型有潜力在儿童癌症幸存者CM诊断前数年识别细微的超声心动图标志物，可作为风险导向CM监测的初步步骤，但仍需进一步完善和验证以确定其在早期识别病理性心脏重构中的效用。