基于深度学习从多普勒声音预测踝臂指数的AutoABI算法:提升外周动脉疾病床旁评估的可及性与可靠性

《npj Cardiovascular Health》:Enabling ankle-brachial index prediction from doppler sounds using deep learning

【字体: 大 中 小 】 时间:2026年04月10日 来源:npj Cardiovascular Health

编辑推荐:

  本研究针对传统踝臂指数(ABI)测量耗时、在动脉钙化患者中不可行等临床痛点,开发了名为AutoABI的深度学习算法。该算法可直接分析循环多普勒音频,预测ABI范围(<0.5, 0.5–0.7, 0.7–0.9, >0.9),在791份录音数据集中表现出高判别性能(平均AUCs 0.95-0.97),并能对非可压缩动脉患者的ABI进行预测,为便捷、可靠的PAD评估提供了新工具。

  
准确评估肢体灌注是临床安全决策的关键。踝臂指数(Ankle-Brachial Index, ABI)是筛查外周动脉疾病(Peripheral Arterial Disease, PAD)的客观金标准,常用于指导运动疗法或压力治疗。然而,传统的ABI测量耗时(约15分钟),且对于患有糖尿病、终末期肾病等导致胫动脉钙化、不可压缩的患者,该方法完全失效,无法获得准确读数。这导致了ABI在床旁的应用不足,可能延误诊断和治疗。此外,高达8%的转诊患者因动脉钙化导致ABI假性升高,其中超过60%实际上患有PAD。那么,能否找到一种更快速、且能克服动脉钙化限制的方法来评估肢体灌注呢?
为了解决这一难题,来自斯坦福大学的研究团队进行了一项创新性研究,并成功开发了名为AutoABI的深度学习算法。该研究旨在探索能否绕过传统的血压袖带压迫测量,直接通过分析无处不在的手持连续波多普勒设备产生的音频信号,来预测ABI范围。这项研究成果已发表在《npj Cardiovascular Health》期刊上。
研究人员利用一个定制化的iOS手机应用程序,在血管实验室中前瞻性地收集了198名患者(包括PAD、糖尿病及疑似非可压缩动脉患者)的791段四秒连续波多普勒音频录音,并与标准的ABI测量值配对。通过自定义的波形相位检测算法,他们将音频分割成2082个一秒的片段,并转换为时频谱图,作为深度学习模型的输入。研究构建了基于信号处理的AutoABI架构,并测试了两种卷积神经网络(CNN)骨干网络(ResNet-10和ResNet-18)的性能,模型的任务是将输入分类为四个有临床意义的ABI范围。研究采用五折交叉验证进行评估,并对10例非可压缩胫动脉患者的录音进行了额外验证,以波形时相性作为血流动力学状态的参考标准。
结果
ABI临床研究结果
数据集包含来自198名患者的791段四秒连续波多普勒录音,预处理后得到2082个一秒音频片段,并按ABI类别标记:<0.5(295个),0.5–0.7(500个),0.7–0.9(374个),>0.9(913个)。
模型性能评估
ResNet-10和ResNet-18模型在四个ABI类别上均表现出强大的分类性能。ResNet-10模型在<0.5, 0.5–0.7, 0.7–0.9, >0.9类别上的平均AUROC(受试者工作特征曲线下面积)分别为0.97, 0.97, 0.95, 0.98。ResNet-18模型的对应AUROC值分别为0.95, 0.96, 0.94, 0.97。两个模型在>0.9类别上表现最佳,在0.7–0.9这个过渡区间表现相对稍弱,这与该范围多普勒波形特征存在更大重叠和临床模糊性有关。混淆矩阵显示,大多数错误分类发生在相邻的ABI范围之间,特别是在0.7–0.9和>0.9之间。
在非可压缩胫动脉上的验证
针对10例非可压缩胫动脉(来自糖尿病患者)的录音,模型使用波形时相性(单相、双相、三相)作为真实参考。两位血管外科医生对波形时相性分类的评估者间一致性很高(Cohen’s κ=0.85)。模型对所有10个样本的预测结果,与根据波形时相性推断的“预期”ABI类别完全一致:单相信号被归类为<0.5,双相信号为0.5–0.7,三相信号为0.7–0.9或>0.9。这表明该模型有潜力准确预测非可压缩血管的ABI范围。
临床病例评估
通过对测试集中三名患者的案例评估,模型展示了其实际应用潜力。这三名患者分别具有单相波形和钙化血管、双相血流以及三相信号,模型均能正确预测其对应的ABI范围(<0.5, 0.5–0.7, >0.9)。这凸显了自动分类在支持临床解释和增强血管实验室诊断信心方面的潜力。
研究结论与讨论
本研究证实了通过深度学习分析手持多普勒动脉声音来预测ABI范围的可行性。AutoABI算法在有限的数据集上取得了优异的性能,其核心优势在于能够为传统压力测量法失效的非可压缩动脉患者提供ABI范围预测,这是现有商用自动化ABI测量系统无法做到的。该方法有望成为一种低成本、客观的床旁评估工具,提高PAD评估的可及性和效率,从而促进早期诊断和治疗。
然而,该研究也存在若干局限性。多普勒声音的录制具有操作者依赖性,可能受背景噪音影响。对于非可压缩血管,缺乏明确的ABI“金标准”值,本研究使用波形时相性作为替代标志物,虽临床可靠,但仍存在一定主观性,且验证样本量较小(n=10)。此外,模型未整合患者人口统计学和病史等信息,未来纳入这些特征可构建更复杂的血管疾病预测系统。算法仍需在不同临床环境、使用不同多普勒设备进行广泛验证,以评估其泛化能力和抗技术偏倚能力。
尽管如此,这项研究为肢体灌注评估开辟了一条新颖的技术路径。一旦在更大患者队列中得到验证,该模型有望在整个医疗护理过程中,提供一种便捷、客观的床旁解决方案,特别是对于动脉钙化这一临床难题的解决提供了新的希望。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号