《Journal of Imaging》：Quantitative Ultrasound Imaging and Artificial Intelligence in Neonatal Echocardiography: Methodological Advances, Reproducibility Challenges, and Computational Perspectives
编辑推荐：
新生儿超声心动图仍然是评估危重新生儿先天性和血流动力学心血管异常的重要成像方式。近期在定量超声生物标志物、形变成像、容积重建以及人工智能（AI）辅助分析方面的进展，显著扩展了新生儿心血管超声成像的诊断能力。这篇叙述性综述批判性地审视了当前在定量超声心动图成像、
新生儿超声心动图仍然是评估危重新生儿先天性和血流动力学心血管异常的重要成像方式。近期在定量超声生物标志物、形变成像、容积重建以及人工智能（AI）辅助分析方面的进展，显著扩展了新生儿心血管超声成像的诊断能力。这篇叙述性综述批判性地审视了当前在定量超声心动图成像、先进容积方法论以及AI辅助心血管超声分析方面的发展，特别关注新生儿重症监护应用。研究人员使用PubMed、Google Scholar、Scopus和Embase进行了文献检索，重点涉及新生儿超声心动图、时空图像相关（STIC）、斑点追踪超声心动图、人工智能、机器学习和定量心血管成像。近期研究表明，包括斑点追踪超声心动图、基于STIC的重建、自动分割算法和深度学习框架在内的先进方法，可能改善图像标准化、自动量化和先天性心脏病检测。然而，重要挑战依然存在，包括操作者依赖性、数据集异质性、有限的外部验证、跨平台变异性以及未完全整合到常规新生儿重症监护工作流程中。大多数AI辅助超声心动图系统仍处于研究阶段，需要进一步的前瞻性多中心验证才能实现广泛的临床部署。
1. 引言
先天性心脏病（CHD）仍然是全球最常见的先天性畸形，也是新生儿发病和死亡的主要原因，许多受影响的新生儿需要早期心血管干预。新生儿超声心动图是诊断和功能评估先天性和血流动力学心血管异常的主要成像方式，因为它具有非侵入性、床边适用性，并能对危重新生儿提供实时血流动力学评估。过去十年中，靶向新生儿超声心动图（TNE）已发展为一门日益专业化的血流动力学成像学科，受到标准化成像方案和正式培训建议的支持。尽管超声系统取得了显著技术进步，新生儿和胎儿超声心动图仍然是高度依赖操作者的成像方式，具有显著的技术和解释变异性。在新生儿和胎儿人群中，可重复的心血管超声评估受到小心脏尺寸、高心率、有限声窗以及运动相关图像退化的挑战。因此，现代新生儿超声心动图越来越多地整合定量成像生物标志物和形变成像技术，以改善客观的功能和血流动力学评估。尽管包括时空图像相关（STIC）和胎儿智能导航超声心动图（FINE）在内的几种先进成像技术最初是为胎儿心血管成像开发的，但它们在本综述中被讨论，因为它们代表了随后新生儿超声心动图计算进展的重要方法论基础。虽然它们的直接临床应用仍主要局限于产前，但容积重建、自动平面识别和AI辅助图像分析的基本原则已显著影响了新生儿心血管成像方法论的发展。同时，从传统二维超声心动图向先进容积成像方法论的转变，包括时空图像相关（STIC）和胎儿智能导航超声心动图（FINE），已扩展了胎儿和新生儿心血管超声成像的诊断能力。定量和容积成像的日益复杂性加速了人工智能（AI）、机器学习（ML）和深度学习（DL）方法论整合到心血管超声分析工作流程中。AI辅助超声心动图系统在多个应用领域的概念验证和早期验证研究中显示出有前景的性能，包括自动平面识别、心腔分割、心肌功能量化和先天性心脏病检测。然而，重要的方法论和转化挑战继续限制AI辅助新生儿心血管成像的广泛实施，包括有限的数据集大小、不充分的外部验证、注释不一致性以及未完全整合到临床工作流程中。本综述旨在批判性地审视当前定量新生儿超声心动图成像的进展，重点关注形变成像、容积超声方法论、人工智能辅助分析、可重复性限制以及新生儿心血管超声评估的未来方向。
2. 材料与方法
本研究作为一项结构化叙述性综述进行，旨在批判性地审视新生儿超声心动图中定量成像、容积超声方法论和人工智能（AI）辅助分析的最新进展。研究人员使用PubMed、Scopus、Embase和Google Scholar进行了全面的文献检索，以识别2010年至2026年5月间发表的相关研究。检索策略结合了受控词汇（如适用）和布尔运算符的自由文本词。代表性检索词包括“新生儿超声心动图”、“靶向新生儿超声心动图”、“胎儿超声心动图”、“心血管超声”、“人工智能”、“机器学习”、“深度学习”、“斑点追踪超声心动图”、“时空图像相关（STIC）”、“形变成像”、“定量成像生物标志物”和“先天性心脏病”。还手动筛选了相关出版物的参考文献列表以识别额外研究。如果研究关注新生儿或胎儿超声心动图、定量心血管超声成像、容积重建或AI辅助超声心动图分析，且以英文发表，则被视为合格。社论、信件、重复发表以及没有实质性方法学贡献的病例报告被排除。根据预定义的合格标准进行标题、摘要和全文筛选后，从初始247条记录中基于与综述目标的相关性选出29项研究。研究识别、筛选和合格性评估由第一作者初步进行。最终合格研究的选取由资深作者独立审查，研究合格性的任何不确定性通过讨论和共识解决。研究选择过程在PRISMA流程图（图1）中说明，而检索策略、合格标准和证据综合的主要要素在表1中总结。所选研究以叙述性和批判性方式综合，特别强调研究的方法论、可重复性、外部验证和所报告发现的临床适用性。由于这项工作代表结构化叙述性综述而非系统综述或荟萃分析，未进行正式偏倚风险评估或定量荟萃分析。然而，在证据综合和解释中考虑了方法论质量、临床相关性和外部验证，以确保对现有文献进行平衡且基于证据的综合。
3. 新生儿超声心动图的技术挑战与方法论限制
新生儿超声心动图因小心脏解剖结构、高心率、快速血流动力学转变以及重症监护监测期间有限的声学通路而面临重要技术挑战。新生儿高心率显著减少了用于多普勒分析（Doppler analysis）和运动追踪（motion tracking）的时间采集窗口，增加了对帧率限制和形变成像（deformation imaging）中运动相关图像退化的敏感性。图像采集可能因机械通气、胸部敷料、肺过度充气和危重新生儿受限的肋间隙通路而进一步受损。在胎儿心血管成像中，母亲体型、胎儿运动、胎盘位置和胎儿脊柱方向可能显著影响图像质量和容积重建（volumetric reconstruction）准确性。最佳时空图像相关（STIC）采集需要有利的胎儿定位和通常在20°至40°之间的采集角度，而容积采集期间的胎儿运动可能引入重建伪影并降低多平面导航准确性。除了采集相关挑战外，新生儿超声心动图在图像优化、多普勒对准、心室分割和功能参数提取方面仍然高度依赖操作者专业知识。观察者间和观察者内变异性继续影响心室功能评估和肺血流动力学测量的可重复性，特别是在图像质量欠佳或需要几何假设时。右心室评估由于新生儿的复杂新月形几何结构、小梁化心肌和负荷依赖性生理功能而尤其具有挑战性。同样，多普勒衍生的血流动力学测量受声束角度、采样位置、增益设置和心跳间变异性的影响，引入额外的定量不一致性。先进的形变成像技术，包括组织多普勒成像（TDI）和斑点追踪超声心动图（STE），为检测细微心肌功能障碍提供了改进的敏感性，但仍高度依赖于时间分辨率和追踪稳定性。斑点追踪分析可能受低帧率、信号丢失、混响伪影和心脏平移运动的影响，限制了测量可重复性。三维和四维超声心动图技术相比传统二维成像提供了改进的容积可视化，但仍易受运动伪影、时间分辨率降低和计算需求增加的影响。尽管基于STIC的重建支持离线容积分析和多平面导航，但延长的采集间隔可能仍会降低在胎儿运动或心律不齐存在时的同步准确性。另一个主要限制涉及跨机构和超声平台缺乏普遍标准化的采集和报告方案。超声硬件、探头频率和后处理软件的变异性导致异质性数据集，并可能降低定量成像生物标志物和人工智能模型的泛化性。这些方法论限制加速了对计算图像处理方法和AI辅助分析流程的兴趣，旨在改善图像标准化、减少观察者依赖性并增强新生儿心血管超声成像的可重复性。
4. 定量超声心动图生物标志物与功能超声评估
从定性解释向定量心血管超声分析的转变在新生儿超声心动图中日益重要，因为需要客观和可重复的血流动力学评估。常用定量生物标志物包括三尖瓣环平面收缩期偏移（TAPSE）、面积变化分数（FAC）、肺动脉加速时间（PAAT）、组织多普勒成像（TDI）和斑点追踪超声心动图（STE），用于评估心室性能、肺血流动力学和心肌形变。TAPSE和FAC是右心室收缩功能的广泛使用替代标志物；然而，两者仍受几何假设、图像对准、负荷条件和心内膜边界描绘的影响。同样，多普勒衍生参数如PAAT和三尖瓣反流速度提供肺血流动力学的无创估计，但仍依赖于声束角度、采样位置和图像质量。组织多普勒成像能够以高时间分辨率定量评估心肌速度，但仍具有角度依赖性，并易受心脏平移运动和负荷变异性的影响。斑点追踪超声心动图已成为一种先进的形变成像技术，能够量化纵向、周向和径向心肌应变。由于应变成像评估内在心肌形变，STE可能在常规功能指标变得异常之前检测到细微心室功能障碍。然而，STE仍高度依赖于帧率优化、追踪稳定性和图像质量，而尽管存在EACVI/ASE标准化倡议和近期形变成像共识建议，后处理软件平台间的显著供应商间变异性仍然持续。使用计算机模拟形变模型的质量保证分析进一步证明，尽管标准化努力持续进行，商业斑点追踪平台中的节段应变测量仍存在持久变异性。同样，Mirea等人展示了商业软件供应商间节段纵向应变测量的显著变异性，强调了定量形变成像中跨平台可重复性的限制。先进容积方法论，包括三维/四维超声心动图和时空图像相关（STIC），可实现胎儿心脏解剖和功能的多平面可视化和定量容积评估。基于STIC的渲染技术，包括断层超声成像、HDlive渲染和虚拟器官计算机辅助分析（VOCAL），进一步支持详细的结构评估和离线计算分析。尽管如此，定量超声心动图成像继续面临与采集标准化、可重复性、时间同步和跨平台一致性相关的重要限制。这些方法论限制强调了新生儿心血管超声中日益标准化和计算辅助成像方法学的必要性。目前用于新生儿和胎儿心血管成像的主要定量超声心动图生物标志物及其可重复性、临床适用性、当前临床证据和主要方法论限制的比较在表2中总结。
5. 先进成像方法论与容积超声重建
从传统二维超声心动图向先进容积成像技术的转变，通过改善复杂先天性心脏解剖的空间可视化和表征，显著扩展了胎儿和新生儿心血管超声评估的诊断能力。三维（3D）和四维（4D）超声方法论的引入旨在克服传统二维成像的几个限制，包括受限的空间表示和对复杂心内关系的不完全评估。与定量超声心动图成像和计算分析的进展并行，容积超声方法论越来越多地促进更全面的胎儿心血管评估。尽管其中几项技术最初是为产前心脏评估开发的，但它们在本文中被讨论，因为它们建立了重要的方法论原则，随后影响了新生儿超声心动图中的计算成像和AI辅助分析。在这些技术中，时空图像相关（STIC）已成为胎儿心脏病学中的关键容积成像模态，并为后续与新生儿超声心动图日益相关的计算图像分析进展提供了重要技术框架。基于STIC的成像允许多平面导航和详细评估心腔、室间隔、房室瓣、流出道和大血管，同时支持离线后处理分析和远程超声心动图应用。先进渲染技术，包括断层超声成像（TUI）、HDlive渲染、反转模式、多普勒整合重建和虚拟器官计算机辅助分析（VOCAL），进一步改善胎儿心脏解剖的结构和容积表征，并促进空间心脏关系的增强可视化。胎儿智能导航超声心动图（FINE）还引入了使用智能导航算法从STIC数据集中半自动生成标准胎儿超声心动图平面，从而减少操作者依赖性并改善产前心脏筛查工作流程。尽管FINE目前几乎仅在产前心脏成像中使用，但其自动导航原则为新生儿超声心动图中AI辅助图像分析和工作流程标准化的后续进展提供了方法论基础。新生儿和胎儿心血管超声成像的技术演变在图1中总结。先进容积方法论已被证明特别适用于评估复杂先天性心脏异常，以及使用虚拟和三维重建心脏模型进行多学科程序规划。然而，容积成像仍然高度依赖于采集质量、胎儿位置、时间同步和图像捕获期间的运动稳定性。胎儿运动、心律失常和不利的胎儿方向可能引入重建伪影，降低图像质量并减少分割准确性，从而限制容积分析的可重复性。此外，多维超声数据集需要大量计算处理和操作者专业知识以进行准确解释。这些技术需求加速了人工智能和计算图像分析框架整合到新生儿心血管成像工作流程中，特别是用于自动分割、图像标准化和定量功能评估。
6. 人工智能与计算超声分析
新生儿和胎儿心血管超声成像的日益复杂性加速了人工智能（AI）、机器学习（ML）和深度学习（DL）方法论整合到超声心动图分析工作流程中。AI辅助流程通常包括图像预处理、自动视图分类、心腔分割、特征提取和定量功能评估。如图2所示，当代AI辅助超声心动图分析遵循一个多阶段计算工作流程，从图像采集和质量控制开始，经过自动分割和定量生物标志物提取，最终达到AI辅助解释和临床整合。该工作流程每个阶段的代表性方法论示例在下面讨论。当前AI在新生儿和胎儿超声心动图中的应用概述在表3中呈现，重点介绍了代表性AI模型和架构、性能指标、临床成熟度、临床角色以及当前限制。计算流程的初始阶段涉及图像预处理、质量控制和自动视图分类。卷积神经网络（CNN）是心血管超声中主导的深度学习架构，因为它们能够从动态心脏数据集中提取层次化空间成像特征。自动视图分类在新生儿和胎儿超声心动图中变得尤为重要，因为准确识别标准成像平面对于危重新生儿和产前心脏筛查中的可重复定量评估至关重要。Huang等人开发了一种基于三维CNN的模型，用于自动超声心动图视图选择和图像质量评估，利用从移动心脏序列中提取的时空超声信息，展示了使用分类准确性和受试者工作特征（ROC）曲线评估指标的高诊断性能。图像预处理后，工作流程的下一个阶段专注于心腔分割和特征提取。分割算法构成AI辅助超声心动图的另一个主要组成部分，因为准确的心腔描绘是自动心室定量所必需的。基于U-Net的架构常用于超声心动图分割，而时间特征提取改善了心肌运动和室壁运动异常的自动评估。分割算法的性能通常使用重叠指标进行评估，特别是Dice相似系数，该系数已成为评估自动图像分割准确性的标准度量。然而，由于患者群体小、采集方案异质性以及图像注释和早期生命生理变异性方面的挑战，新生儿和胎儿超声心动图数据集仍然相对有限。为新生儿超声心动图开发稳健的AI模型不仅取决于算法选择，还取决于足够大、多样化且整理良好的数据集的可用性。由于新生儿和胎儿心血管成像数据集通常相对有限，多中心数据收集和标准化成像方案对于改善模型泛化性和减少数据集异质性至关重要。由经验丰富的临床医生进行的准确图像注释对于监督学习同样重要，而标准化注释策略可能改善一致性并减少模型训练期间的观察者间变异性。此外，使用独立数据集进行外部验证对于评估模型稳健性和泛化性至关重要，因为仅依赖内部验证可能高估诊断性能。根据预期应用，模型性能通常使用敏感性、特异性、准确性、受试者工作特征曲线下面积（AUC）以及对于分割任务，Dice相似系数进行评估。这些标准化性能指标便于计算方法之间的客观比较，并能够在不同临床应用中更一致地评估AI系统。一旦定量成像特征和生物标志物被提取，AI模型可应用于疾病检测、分类和风险预测。AI方法论在产前先天性心脏病筛查和自动胎儿心脏分类的概念验证和早期验证研究中显示出有前景的诊断性能。最近一项系统综述和荟萃分析报告了使用基于深度学习的超声分析进行AI辅助产前先天性心脏病检测的汇总敏感性和特异性分别为0.89和0.91，表明尽管纳入研究之间存在方法论异质性，但总体诊断区分度较高。实验性基于AI的计算机视觉模型也显示出自动检测新生儿心血管异常（包括动脉导管未闭）的有前景结果。除了纯成像应用外，AI框架越来越多地整合多模态数据集成策略，将成像发现与代谢组学和临床生物标志物相结合，以改善产前心血管风险预测。机器学习方法也已应用于自动心音图信号分析，用于儿科人群的结构性心脏病筛查。该计算工作流程的概述，从图像采集和预处理到AI辅助分析和临床整合，在图3中说明。计算工作流程的最后阶段涉及将AI辅助分析整合到常规临床实践和床边决策中。尽管几个AI模型在概念验证和早期验证研究中显示出有前景的性能，但大多数AI辅助新生儿超声心动图系统仍处于研究阶段，尚未经历足够的前瞻性多中心验证以用于新生儿重症监护实践的常规临床部署。主要限制继续限制更广泛实施，包括有限的数据集大小、异质性采集方案、注释变异性、不充分的外部验证、可解释性担忧以及未完全整合到实时临床工作流程中。可解释性变得越来越重要，因为成功的临床实施需要可解释的决策过程和透明的图像特征分析。因此，新生儿AI辅助心血管超声分析的进一步进展将需要标准化数据集、多中心验证框架、可解释AI方法论和前瞻性临床实施研究，然后才能实现常规整合到新生儿心血管成像实践中。总体而言，当前证据体应主要被视为概念验证和早期验证研究，强调了在广泛临床采用之前需要进行稳健的前瞻性评估。
7. 可重复性、标准化与验证挑战
尽管在定量超声成像和人工智能（AI）辅助分析方面取得了重大进展，可重复性和标准化仍然是新生儿和胎儿超声心动图中的主要挑战。测量变异性可能出现在成像工作流程的多个阶段，包括图像采集、多普勒对准、分割、后处理和观察者解释。定量生物标志物如应变、TAPSE、FAC、PAAT和组织多普勒速度仍然高度依赖于图像质量、时间分辨率和分割准确性，从而限制了常规临床实践中的观察者间可重复性。如前所述，图像采集、斑点追踪软件和后处理算法中的持久供应商间变异性继续限制定量形变成像的可重复性和跨平台可比性，尽管EACVI/ASE标准化倡议持续进行。因此，使用不同超声系统或软件平台获得的测量结果可能无法直接互换，可能影响纵向患者随访、多中心研究和定量功能指标的临床解释。这些方法论限制对于AI辅助超声心动图分析变得尤为重要，因为深度学习模型对数据集异质性和图像分布变异性高度敏感。目前大多数胎儿和新生儿心血管成像中的AI模型仍然受限于相对较小的回顾性数据集、有限的外部验证和不足的多中心数据集成，尽管近期有协作AI超声心动图倡议的努力。超声硬件、采集方案、注释质量和患者群体的变异性可能显著降低模型跨机构的泛化性，可能导致心腔分割不准确、自动心室功能测量变异性增加，以及算法应用于外部数据集时诊断性能降低。同样，有限的外部验证引发了对算法在不同临床环境、超声供应商和新生儿人群中可靠性的不确定性，从而限制了对常规临床实施的信心。缺乏普遍接受的参考标准用于几个新生儿血流动力学生物标志物，进一步使常规超声心动图解释和监督AI模型开发复杂化。成功的临床实施还要求将AI算法无缝集成到实时床边采集工作流程、报告系统和新生儿重症监护环境中。此外，监管和伦理考虑——包括可解释性、数据隐私、算法透明度和问责制——仍然是AI辅助新生儿成像系统广泛临床采用的重要障碍。尽管概念验证和早期验证研究报告了令人鼓舞的性能，这些挑战可能降低临床医生对AI辅助决策支持的信心。因此，新生儿计算超声心动图的未来进展将依赖于大型多中心数据集、协调的采集方案、供应商独立的定量标准、稳健的外部验证框架、可解释AI方法论和前瞻性实施研究，然后才能实现常规整合到新生儿心血管成像实践中。
8. 未来方向与新兴计算视角
未来的AI辅助新生儿超声心动图系统预计将越来越多地作为实时床边决策支持工具，整合到新生儿重症监护监测生态系统中，反映了新生儿超声心动图向定量超声、人工智能和多模态生理数据分析整合的广泛演变。近期发展表明，从依赖操作者的图像解释向半自动化和全自动化超声心动图工作流程的逐步转变，整合了实时采集指导、自动心腔分割和AI辅助功能量化，包括使用基于深度学习的超声心动图分析进行自动心室功能评估。新兴机器学习方法论，包括自监督学习和联邦学习方法，有可能改善模型泛化性，同时减少对大型手动注释数据集的依赖，并促进多中心协作训练而无需直接患者数据共享。然而，它们在新生儿超声心动图中的成功实施仍具有挑战性。超声设备、采集方案、图像质量、注释实践和机构成像工作流程的变异性可能导致数据漂移和异质性数据分布，可能限制模型性能和泛化性，即使在联邦学习框架内。因此，在广泛临床采用之前，需要进一步的方法论发展和前瞻性多中心验证。先进三维重建和虚拟模拟技术可能进一步支持复杂先天性心脏病中的程序规划和患者特异性心血管评估。同时，便携式超声系统、手持设备、远程超声心动图平台和实时床边AI应用可能扩展新生儿重症监护和资源有限环境中的先进心血管成像可及性。基于AI的计算机视觉模型已显示出在自动检测新生儿心血管异常（包括动脉导管未闭）方面的有前景性能。类似的基于深度学习的图像和视频分析框架也已被开发用于产前检测先天性心脏缺陷，突显了AI辅助心血管成像在整个围产期连续体中的更广泛应用性。机器学习辅助心音图分析也显示出使用数字心音记录进行自动先天性心脏病筛查的潜力。近期EACVI/ASE共识建议还强调了自动应变分析、标准化形变成像工作流程和AI辅助后处理方法论在未来超声心动图实践中的日益重要作用。尽管有这些有前景的发展，将AI辅助新生儿超声心动图转化为常规临床实践将需要临床医生、工程师、计算机科学家和行业伙伴之间的持续多学科合作。未来研究应优先考虑前瞻性多中心验证研究、标准化评估框架以及无缝整合到临床工作流程中，以确保新兴AI技术在新生儿心血管护理中安全、有效且公平地实施。
9. 局限性
本叙述性综述存在几个局限性。首先，人工智能和定量心血管成像研究的快速演变性质可能限制当前可用方法论和报告诊断性能的长期泛化性。此外，已发表研究在成像方案、超声平台、分割方法论、定量生物标志物和验证框架方面存在显著异质性，限制了研究间的直接比较并降低了跨平台可重复性。目前许多可用的AI辅助超声心动图研究仍是基于相对较小新生儿或胎儿数据集的回顾性、单中心调查，而前瞻性多中心验证研究和真实世界新生儿重症监护病房实施数据仍然有限。此外，由于本研究代表叙述性而非系统性综述，未进行正式偏倚风险评估和荟萃分析定量综合，引入了选择偏倚和发表偏倚的可能性。还应承认其他局限性。文献检索限于英文出版物，可能引入语言偏倚，而Google Scholar的纳入因其广泛的索引策略可能增加了选择偏倚的风险。此外，未系统检索未发表研究和灰色文献，发表偏倚无法排除。
10. 结论
新生儿超声心动图仍然是评估先天性和血流动力学心血管异常的重要成像方式。近期在定量成像、容积超声重建和AI辅助方法论方面的进展显著扩展了新生儿超声心动图的方法论能力，并展示了改善诊断性能的潜力。尽管如此，重要的技术和转化挑战仍然存在，包括操作者依赖性、测量变异性、数据集异质性、有限的外部验证以及未完全整合到常规临床工作流程中，而大多数AI辅助超声心动图系统仍处于研究阶段。持续努力朝向标准化成像方案、协调定量方法论、多中心验证研究、可解释人工智能框架以及无缝整合到临床实践，对于支持这些技术的安全有效采用至关重要。随着证据的不断发展，定量成像和AI辅助分析的整合有潜力增强诊断一致性、改善临床决策，并为新生儿提供更个性化的心血管护理。
