《Echo Research & Practice》：Artificial intelligence in echocardiography: a position statement from the British Society of Echocardiography
编辑推荐：
超声心动图是评估心脏结构与功能的基础性影像学模式，并具有长期技术进步的发展历史。随着人工智能（AI）在整个医疗卫生领域中日益深度嵌入，其提升超声心动图工作流程的潜力——从图像采集、图像分析到报告生成及风险分层——已迅速扩展。该领域的研究活动已显著增长，然而临床
超声心动图是评估心脏结构与功能的基础性影像学模式，并具有长期技术进步的发展历史。随着人工智能（AI）在整个医疗卫生领域中日益深度嵌入，其提升超声心动图工作流程的潜力——从图像采集、图像分析到报告生成及风险分层——已迅速扩展。该领域的研究活动已显著增长，然而临床应用仍存在差异，且常常受限于实践、技术和治理方面的挑战。为此，英国超声心动图学会制定了本立场声明，旨在对AI安全、公平且有效整合入超声心动图服务的机遇、局限性与需求，提供一种结构化、基于共识的评估。尽管本文以英国情境为中心，但所提出的原则也可能适用于其他采用类似超声心动图服务提供模式的医疗卫生系统。
本文发表于《Echo Research》，属于英国超声心动图学会（British Society of Echocardiography, BSE）发布的立场声明，主题聚焦于人工智能（artificial intelligence, AI）在超声心动图（echocardiography）全流程中的应用现状、成熟度、实施障碍及治理要求。研究背景在于，超声心动图长期以来一直是心脏结构与功能评估的核心影像学工具，具有广泛可及性和持续技术创新基础。近年来，AI在医学影像中的发展极为迅速，尤其在图像采集辅助、自动测量、疾病识别、报告生成以及预后评估等方面表现出显著潜力。然而，与研究热度上升形成对照的是，AI在真实世界超声心动图服务中的落地仍较为有限，且不同机构之间应用程度并不均衡。阻碍其推广的主要问题包括：模型证据质量与泛化能力不一，训练数据代表性不足，技术基础设施滞后，监管和法律责任边界不清，医务人员存在去技能化风险，以及患者数据安全、公平可及性和透明度等伦理顾虑。因此，开展本项研究的必要性在于，为英国乃至类似医疗体系中的超声心动图服务提供一套有组织、基于共识且可操作的AI整合框架，从而缩小技术创新与临床常规实践之间的差距。
研究人员围绕超声心动图完整工作流程系统梳理了AI的潜在作用场景，包括患者转诊与分诊、预约调度、图像采集、图像质量改进、定量分析、报告支持、疾病识别和风险分层等环节，并结合技术成熟度等级（technology readiness level, TRL）对不同应用的临床可部署性进行区分。研究人员指出，目前AI在自动化测量和部分采集辅助方面已达到较高成熟度，可在多个厂商平台中应用；而在预约优化、报告自动生成、风险分层及若干疾病识别任务中，很多模型仍处于研发或早期验证阶段。文章进一步总结了AI整合过程中的核心风险，包括自动化偏倚（automation bias）、“操作者退出”现象、初学者在AI辅助下产生过度自信、模型“黑箱”问题、数据偏倚导致的健康不平等、法律责任不明确以及本地信息技术（IT）基础设施不足等。基于这些问题，研究人员提出，AI应被视为增强工具而非替代工具，临床监督、质量控制、人员培训、透明报告、外部验证与本地治理是安全实施的关键。总体结论是，AI已成为超声心动图技术演进的下一重要阶段，具有提升效率、一致性和诊断支持能力的现实前景，但其临床价值的实现依赖于治理、教育、数据质量和公平实施等多重条件的同步完善。该立场声明的重要意义在于，为超声心动图领域AI的规范化应用提供了专业共识，并明确了未来研究、教育和临床实施的优先方向。
在方法方面，本文并非传统原始研究，而是BSE组织的多学科共识性立场文件。研究人员组建了由心脏病学专家、心脏生理学家/临床科学家、临床学者、AI研究人员以及患者和公众代表组成的写作团队，通过反复讨论、结构化审阅和BSE Trustees最终审批达成共识。文件内容聚焦超声心动图全工作流程，并参考了系统综述证据，相关方案登记于PROSPERO（CRD420251080283）。同时，研究人员纳入患者与公众参与和介入（patient and public involvement and engagement, PPIE）活动，样本来源包括Stafford and Stoke-on-Trent Heart Support Group及Leeds Cardiovascular PPIE group，以补充患者和公众视角。
以下为论文主体内容解读。
引言
文章首先强调，超声心动图是心脏结构和功能评估的基石性影像工具，兼具广泛可获得性与长期技术创新传统。随着AI在医疗中的持续渗透，其在超声心动图中的应用范围已从单一测量自动化扩展到采集、分析、报告和风险分层等多个步骤。尽管相关研究快速增长，但临床部署仍不充分，因此BSE制定本立场声明，以形成国家层面的专业指导。该文件并不意在撰写叙述性综述，而是明确BSE对于AI机遇、局限、治理要求、人员培训和未来研究方向的正式立场。
人工智能在超声心动图临床路径中的整合
研究人员引入TRL九级框架，用于评估AI模型从概念阶段到真实世界部署阶段的成熟程度。通过该框架，可明确区分已经获得监管批准并投入临床使用的模型，与仍需进一步证据支持的模型。这一安排为不同AI应用场景提供了统一的成熟度标尺，也增强了整篇声明的可操作性。
AI如何帮助患者转诊、超声心动图分诊与预约调度？
本节指出，超声心动图医务人员与患者在检查前、中、后的互动难以被AI取代，但AI有望简化早期转诊与流程管理。研究引用的证据显示，深度学习（deep learning）模型可支持适宜转诊的准确高效分诊，大语言模型（large language models）也可能通过整合患者信息、临床表现和学会分诊指南辅助转诊排序。对于预约调度，AI理论上可通过历史数据预测高峰到诊时段和失约风险，从而改善服务效率并减少等待时间，但研究人员明确指出，此类模型在超声心动图中的开发仍十分有限，成熟度仅处于TRL 1–2阶段。
AI如何改善超声心动图图像采集？
研究人员认为，超声心动图是一种高度依赖操作者经验的专门影像技术，标准化、全面的数据采集对初学者尤其具有挑战性，在急诊或社区场景中这一问题更为突出。已有研究表明，AI模型可提高正确且具有诊断价值图像的获取能力，从而支持新手培训，并在缺乏资深操作者的场景中帮助早期诊断和及时治疗。该类技术已在多个设备厂商平台中可用，成熟度达到TRL: 9。另一方面，AI还被用于图像质量增强，例如识别并去除噪声与伪影，以及对多次屏气获得的三维超声心动图（3D echocardiography）图像进行融合，使心肌在不同采集中保持相同空间位置。但这些方向多数仍处于研究开发阶段，成熟度约为TRL: 1–5。
AI模型如何改进定量分析？
文章指出，超声心动图参数众多、声窗多样且对操作者依赖性强，即使存在成熟指南，操作者内及操作者间变异仍然显著，影响测量结果的可靠性与重复性。左心室射血分数是典型实例，其观察者间变异可高达±14%，对接受心脏毒性化疗患者的管理尤其可能造成临床误判。研究人员总结认为，AI在标准化测量和降低变异性方面已展示明显优势，特别是在左心室射血分数、左心室整体纵向应变（global longitudinal strain, GLS）、瓣膜性心脏病评估以及右心室腔室定量等领域。当前，心脏结构和功能的自动测量已成为多数新型超声心动图设备的常规功能，成熟度为TRL: 9；而其他更复杂的AI定量模型，大多仍处于TRL: 3–9之间，说明从研发到监管获批的证据积累程度不一。
AI如何支持超声心动图报告？
研究人员强调，高质量报告应清晰、简明，并准确回答临床问题。虽然已有多项正常与病理评估指南，但超声心动图报告具有较强技术性，非专科转诊医师和患者往往难以理解。AI，尤其是大语言模型，未来可能用于自动起草标准化摘要，形成符合指南且能直接回应临床问题的结论；也可能将临床摘要自动转化为患者版说明并翻译为其母语。除此之外，AI还有望作为“合理性检查”工具，识别病理生理上不一致的测量结果或文本结论与数据不匹配的问题。不过，研究人员明确指出，目前这些应用仍主要处于研发阶段，且尚无专门针对超声心动图的成熟模型，TRL为1–2。
AI可在哪些方面支持超声心动图疾病识别？
本节总结了AI在心血管疾病早期识别中的多项潜在价值。通过分析图像、表格数据或二者结合，AI可能发现超出人类感知范围的模式。现有研究已在多种应用中显示出前景，包括负荷超声心动图中的冠状动脉疾病检测、心脏淀粉样变识别、心内肿块表征、左心室肥厚病因判别，以及瓣膜病评估如主动脉瓣狭窄、二尖瓣反流、三尖瓣反流和主动脉瓣反流等。尤其在左心室肥厚的病因学判别中，AI可区分运动员心脏、肥厚型心肌病和高血压性心脏病。研究人员指出，这一领域中已有部分模型获得监管批准，而另一些仍停留在早期开发阶段，TRL范围为2–9。
AI在患者风险分层中发挥什么作用？
文章指出，超声心动图长期为临床决策提供预后评估信息，但传统上最常用的指标仍是二维超声测得的左心室射血分数，其局限性已广为人知。AI则有潜力识别新的影像标志物或影像表型，进而改进风险分层并推动个体化医疗。研究人员举例说明，在主动脉瓣狭窄患者中，整合超声心动图、心脏磁共振（cardiac magnetic resonance, CMR）、计算机断层扫描（computed tomography, CT）及血液检测数据的AI模型，能够识别临床结局较差的高风险亚群，从而优化干预时机。尽管这一方向与精准医疗高度契合，但目前相关超声心动图AI模型总体仍处于TRL: 1–5的研发阶段。
关键关注领域与潜在解决方案
在工作队伍层面，文章集中讨论了去技能化风险、临床判断受损、AI引导采集带来的隐患以及工作方式改变等问题。研究人员指出，当AI输出被视为权威且不会出错时，易发生自动化偏倚，削弱医务人员批判性思维；若操作者缺乏持续监督，还可能出现“操作者退出”，导致错误发生率上升。同时，AI工具的可及性增加，也可能让专业基础不足者产生不恰当自信。对此，文章主张建立人机协作模式，将AI定位为增强工具，并通过质量保证、持续专业发展、数据素养培养及AI解释能力训练来维持临床问责和安全。文章还提醒，AI缩短扫描时间未必必然转化为更高患者吞吐量，尤其在图像质量一般或较差时，AI反而可能需要更多校正，因此对生产率提升的判断应保持谨慎。
AI模型的透明性
研究人员认为，AI模型性能在根本上依赖训练数据的质量、完整性与多样性。若数据存在错误、偏倚或代表性不足，则模型临床输出将不可靠。文章强调，开放共享训练数据和源代码有助于外部验证、监管审查和公众信任，但现实中受信息治理、IT架构、存储能力、厂商数据格式差异及缺乏国家统一标准等因素限制，建立大规模集中式数据湖并不现实。因此，BSE更强调渐进式、协作式和透明的数据共享策略。对于深度学习模型常见的“黑箱”问题，文章指出，虽然方法学规范和报告框架能够改善透明度，但无法完全解决可解释性难题。因此，临床应用前必须在充分样本量的独立外部验证队列中进行严格评估，并完整报告数据集特征、性能指标、亚组分析和失效模式。
伦理与监管审批考量
本部分围绕行善、不伤害、自主和公正等伦理原则展开。研究人员指出，女性、少数族裔、先天性心脏病患者以及瓣膜修复/置换患者在训练数据中常被低代表，而许多模型又基于非英国人群开发和验证，可能加剧既有健康不平等。因此，训练集和验证集必须反映真实世界患者多样性，尤其应覆盖英国国家医疗服务体系（NHS）环境中的年龄、性别、种族、共病、疾病谱、图像质量及不同厂商设备差异。关于患者知情，文章认为，若AI仅用于常规测量支持且临床人员保留完全监督，则一般无须逐一告知患者，但在服务或科室层面应保持透明；若AI直接影响诊断解释或治疗决策，则需更明确沟通。监管方面，文章概述了英国、欧洲和美国相关软件医疗器械（Software as a Medical Device）审批路径，并指出许多已上市AI工具在批准时前瞻性临床证据有限。此外，AI导致患者伤害时的责任分配目前尚无清晰共识，因此亟需更完善的法律和监管框架。
基础设施考量
研究人员指出，将AI纳入超声心动图服务高度依赖稳健的IT基础设施，而落后的数字环境已成为医疗AI推广瓶颈。AI工具部署前需有超声心动图专业人员、数据科学家、AI开发者、IT团队和监管机构之间的协作，并遵守本地治理程序，以保证数据保护、网络安全和临床安全。文章特别提到，许多AI分析需将图像上传至异地云端处理，再将结果返回本地系统，因此对安全高速网络、数据传输协议和网络安全防护提出更高要求，也可能影响流程效率。相较之下，边缘AI（Edge AI）在本地设备或院内网络中处理数据，可能缓解相关问题，但不同厂商和设备代际间的可用性与性能并不一致。
AI纳入超声心动图的局限性
文章进一步归纳了AI在不同工作环节中的现实限制。工作流应用可能受不完整行政数据影响，并可能在无意中强化既有不平等；AI引导采集虽然有助于经验不足操作者，但缺乏充分前瞻性比较证据，而且采集阶段引入的误差可能在后续分析中难以发现；疾病识别模型虽在回顾性研究中表现可观，但真实世界前瞻性验证不足，且在模型推理不透明时，误分类更不易被临床人员识别。报告类AI模型还受制于数据集定义、单位和标签命名不一致的问题。因此，推广标准化术语被视为未来实现报告自动化与变量协调的重要前提。
未来应用展望
研究人员提出了若干值得进一步发展的方向，包括自动图像堆叠与智能视图组织、连续多次检查的自动比较、整合审计与质量改进工具，以及实时检测测量值或报告中的内部不一致。这些设想均服务于提高工作效率、减少变异性、强化质量控制并提升患者安全，但文中将其定位为未来考虑方向，而非已被充分证实的常规实践。
患者与公众视角
文章纳入了PPIE活动结果，显示患者和公众总体支持AI辅助医疗专业人员并改善患者照护，但明确反对AI替代医护人员与患者之间的人际互动。受访者关注的核心问题包括：医务人员是否接受充分培训、在AI错误或不可用时是否仍具备独立判断能力、AI是否会在NHS内部造成资源分布不均、AI生成数据能否顺畅纳入电子病历、患者数据共享与存储的安全性，以及AI额外能耗带来的环境影响。这部分内容强化了立场声明对公平、透明、安全和可持续性的关注。
未来教育机会
研究人员最后强调，要最大化AI在超声心动图中的价值，必须在教育、培训框架和治理结构上进行投入。所需核心能力包括AI基础知识、数据分析技能，以及对伦理和法律问题的理解。BSE承诺通过网络研讨会、电子学习模块和实践工作坊等形式，为会员提供AI相关教育资源，并在证据充分时考虑将AI工具纳入未来指南和操作规范。
讨论总结与研究结论翻译
综合全文，本文的讨论核心在于：AI在超声心动图中的应用前景已从概念验证迈向多点突破，但不同环节的成熟度差异显著，且临床转化不能仅依赖算法性能本身，而必须同时满足数据代表性、外部验证、监管合规、基础设施适配、人员能力建设和患者公众信任等条件。BSE主张采用审慎、渐进且以人机协作为中心的整合路径，将AI视为提升服务质量与一致性的工具，而非替代专业判断的终局方案。
研究结论可译为：超声心动图仍然是评估心脏结构与功能的核心影像学方式，而AI如今代表了其技术演进中的下一重要阶段。AI研究的快速扩展显示，其在整个超声心动图工作流程中提升效率、一致性和诊断支持方面具有显著潜力。然而，临床应用目前仍然有限，要真正实现AI带来的收益，必须认真关注治理、人员准备度、数据质量和公平实施等问题。为弥合创新与常规实践之间的差距，超声心动图服务需要借鉴其他在AI整合方面更为先进的影像学专科经验，同时回应患者与公众的关切和期待。对超声心动图工作队伍开展教育和能力提升将是关键，以确保医疗专业人员能够自信地评估、部署并监测AI模型。随着该领域持续发展，有必要不断审查新兴证据并定期更新本立场声明，从而保证AI以安全、透明并真正改善患者照护的方式应用于各类超声心动图服务。
