心血管超声中的人工智能与计算方法

《Heart Failure Clinics》：Artificial Intelligence and Computational Methods in Cardiovascular Ultrasound

　　

章节摘要

要点

• •
  人工智能（AI）有可能协助整个超声心动图流程，从图像采集和质量控制到测量、诊断、预后和报告生成。
• •
  基于视频的深度学习尤其相关，因为心脏功能本质上具有时空特性，可能被选定的静态帧不完整地表征。
• •
  在心力衰竭中，最大的机会在于超越自动左室射血分数（LVEF）：对收缩功能、舒张功能、右心、瓣膜和……进行多参数表型分型。

从传统计算到深度学习

定量超声心动图一直是计算性的。多普勒方程用于估计压力梯度和血流；辛普森双平面法用于近似心腔容积；组织多普勒和斑点追踪算法用于推导速度、位移、应变和应变速率。三维超声心动图在不依赖二维成像所需的几何假设的情况下重建容积。这些方法通常编码了明确的生理或几何规则。其输出结果为

图像采集与质量保证

糟糕的图像采集无法完全通过复杂的分析来纠正。因此，AI引导的扫描具有重要的实际应用价值，尤其对于聚焦心脏超声、急诊护理、社区筛查以及专家资源有限的环境。实时系统可以指示探头的平移、旋转、倾斜和压力；识别标准切面；并提供质量评分。在一项前瞻性研究中，没有既往超声经验的护士采集了具有诊断价值的 cardiac

瓣膜病、血流动力学与右心

心力衰竭评估需要超越左室收缩功能。自动多普勒追踪可以测量跨瓣速度、速度时间积分、E/e′、肺动脉压和反流参数。计算机视觉可以识别瓣膜解剖结构并定量评估射流或缩流颈特征，而三维分割可以支持瓣膜建模和手术规划。这些功能在超声心动图被用于选择和引导患者进行……时尤为相关。

检测与分类

在心力衰竭中，AI的价值在于将可重复的测量和潜在的图像模式转化为决策：确认综合征、分配具有临床意义的表型、识别病因、选择进一步检查以及估计风险。因此，整合左室和右室功能、重塑、舒张指数、瓣膜病、肺动脉压、应变和临床背景的系统可能比仅以LVEF分类为核心的模型更有用。

射血分数保留的心力衰竭（HFpEF）尤其

超越单一影像学：多模态与机制模型

超声心动图的临床意义取决于症状、心律、血压、生物标志物、肾功能和治疗。多模态AI可以将电影循环和多普勒与结构化数据、自由文本报告、心电图或基因组学整合在一起。原则上，它可以生成统一的心力衰衰表型并提出最有信息量的下一步检查。大型语言模型可以协助报告结构化与信息检索，但不应编造测量值或将不确定的

验证、实施与安全性

模型性能应在多个层面进行评估。技术验证包括分割重叠、轮廓距离、测量误差和测试-再测可重复性。诊断验证需要针对临床上适当的参考标准进行灵敏度、特异度、区分度和校准评估。预后模型需要采用时间-事件方法、在临床相关时间跨度上进行校准，并与已建立的预测因子进行比较。最重要的是，临床效用

未来方向

有几项发展可能会塑造下一阶段。首先，基础模型是在大规模、异质数据集上进行预训练的，可以用有限的额外训练适应多种下游任务。它们整合影像学、临床文本、心电图（ECGs）和结构化数据的能力可能代表AI辅助心血管超声的下一个演进阶段，尽管临床验证仍然有限。在数百万张未标注超声图像上预训练的基底模型

总结

AI和计算方法可以将心血管超声从一系列依赖操作者的测量转变为更具可重复性、定量性和整体性的心血管生理表征。在心力衰竭中，其前景涵盖图像采集和自动LVEF、多维表型分型、病因发现、纵向监测和风险预测。该领域已从概念验证研究进展到前瞻性和随机对照评估，但实施

临床护理要点

• •
  利用人工智能（AI）辅助采集和自动测量来提高图像质量、可重复性和系列比较，同时保留专家对技术上困难或临床不一致检查结果的审核。
• •
  在心力衰竭中，通过整合收缩功能、舒张功能、右心室功能、瓣膜病、心肌应变和血流动力学参数进行多参数评估，超越孤立的LVEF评估。
• •
  将AI生成的诊断或预后结果解释为

利益冲突声明

无利益冲突声明。

Rodolfo Citro|Michele Bellino|Mario Cristiano|Rossella Maria Benvenga|Gianluca Testa