《PLOS Digital Health》：Dual-flow convolutional neural network for automatic measurement of left ventricular ejection fraction and global longitudinal strain in echocardiography
编辑推荐：
摘要
左心室射血分数（LVEF）和整体纵向应变（GLS）对于心血管疾病的诊断、临床决策及预后评估至关重要。然而，通过超声心动图准确评估LVEF和GLS受到观察者间变异、耗时及劳动密集等问题的制约。本研究旨在开发一种能够准确且快速评估LVEF和GLS的自动化方法
摘要
左心室射血分数（LVEF）和整体纵向应变（GLS）对于心血管疾病的诊断、临床决策及预后评估至关重要。然而，通过超声心动图准确评估LVEF和GLS受到观察者间变异、耗时及劳动密集等问题的制约。本研究旨在开发一种能够准确且快速评估LVEF和GLS的自动化方法。基于来自内部医疗中心500例患者（1500个视频）及四个外部医疗中心363例患者（1089个视频）的数据集，研究人员成功开发了一种名为Echo-DFCNN的双流卷积神经网络，可同步获取LVEF和GLS。研究人员在由67例患者组成的心脏磁共振（CMR）验证数据集中评估了Echo-DFCNN的性能。在内部测试数据集上，人工智能（AI）与手动测量LVEF的中位绝对误差为3.02%，平均绝对误差为3.94%。AI预测的LVEF与手动测量的LVEF显示出良好的一致性，ICC为0.927，偏差为0.89%，一致性界限（LOA）为-10.91至12.69。对于GLS，AI与手动测量之间的中位绝对误差和平均绝对误差分别为1.43%和1.83%。AI预测的GLS与手动测量的GLS表现出高度一致性（ICC=0.913；偏差=-1.22%，LOA=-5.12至2.68）。此外，Echo-DFCNN在外部验证数据集上保持了良好的性能。在CMR验证数据集中，AI模型在LVEF和GLS方面均与CMR测量显示出良好的一致性。Echo-DFCNN在研究队列中实现了LVEF和GLS的同步且精确评估，展示了其在广泛心功能范围、不同图像质量和机器类型中的稳健性能潜力。
论文解读：Echo-DFCNN——基于双流卷积神经网络的左心室射血分数与整体纵向应变自动测量研究
一、研究背景与问题
心血管疾病是全球范围内致死致残的主要原因之一，准确评估左心室收缩功能对于心脏疾病的筛查、诊断、治疗决策及预后评估具有重要临床价值。超声心动图作为一种无创、实时的影像学检查手段，是临床评估心功能的首选一线影像学方法。左心室射血分数（LVEF）是临床实践中最常用的左心室功能参数，其测量通常需要在心尖两腔心和四腔心切面中手动描绘心内膜轮廓，这不仅耗时耗力，而且存在显著的观察者间变异。整体纵向应变（GLS）作为评估左心室功能的另一关键指标，能够敏感地检测左心室收缩功能的细微异常变化，在评估亚临床心功能障碍、监测心脏毒性治疗的纵向变化以及提供多种心血管疾病的诊断和预后信息方面具有重要价值。然而，GLS的测量面临两大挑战：一是测量依赖操作者的经验来准确描绘心内膜边界，导致观察者间和观察者内变异；二是测量通常依赖于商业软件，不同厂商软件在实现上的差异导致厂商间变异。因此，开发一种高可重复性、准确且快速的自动化分析方法，能够同步评估LVEF和GLS，且不受厂商和观察者变异影响，对于提高心功能评估的可靠性、可重复性和临床适用性至关重要。
人工智能（AI）算法因其强大的数据处理和自学习能力，在超声心动图心功能评估领域得到广泛应用。已有研究利用分割网络在仅标记舒张末期（ED）和收缩末期（ES）两帧的情况下实现LVEF的自动评估，但此类分割网络忽略了帧间连续的运动信息。另有研究者采用光流算法充分利用帧间连续运动信息来逐帧追踪心肌运动以实现GLS的自动测量，但光流网络需要获取首帧的心内膜轮廓作为起始位置。这凸显了分割网络和光流算法在功能上的互补优势，提示需要一种整合两种方法的集成策略，以有效利用空间和时间信息。
二、研究目标与关键方法
针对上述问题，研究人员设计了一种基于语义分割和光流算法的双流卷积神经网络Echo-DFCNN，自动分析心尖两腔、三腔和四腔心切面超声心动图视频，同步获取LVEF和GLS，实现心功能的自动化评估，分割与光流两个任务作为集成流程协同工作。
本研究纳入来自五个独立医疗中心的数据集。内部数据集前瞻性纳入2022年3月至2023年11月华中科技大学同济医学院附属武汉协和医院512例患者的1536个视频，排除12例后最终纳入500例患者的1500个视频，并按LVEF水平分为正常（LVEF≥50%，n=200）、轻度降低（LVEF=40%-49%，n=100）、中度降低（LVEF=30%-39%，n=100）和重度降低（LVEF<30%，n=100）四个亚组。外部验证数据集包括四个中心：南昌大学第二附属医院（100例）、中国医科大学附属第一医院（150例）、内蒙古医科大学附属医院（77例）和吉林大学第一医院（36例），共363例。此外，内部中心纳入67例患者作为独立的心脏磁共振（CMR）验证队列。
Echo-DFCNN模型由两个模块组成。第一模块基于RAFT架构，用于自动追踪左心室心肌运动并计算GLS；第二模块基于Deeplabv3+架构，用于实现左心室的自动分割并计算LVEF。模型采用两阶段训练策略：第一阶段独立训练光流模块，通过预测帧间光流将起始帧的分割掩膜顺序扭曲至结束帧，计算跨帧分割一致性损失，使光流模块无需光流标注即可学习心脏运动模式；第二阶段冻结预训练的光流模块，训练分割模块，利用光流模块将关键帧及其邻近帧对齐后输入分割模块进行分割预测。
三、研究结果
（一）模型性能
在内部测试数据集上，Echo-DFCNN的分割模块实现了高精度的左心室分割，平均Dice相似系数（DSC）范围为0.92至0.95，平均平均表面距离（ASD）范围为1.71 mm至1.97 mm。光流模块能够高精度追踪心内膜轮廓，平均Hausdorff距离（HD）范围为5.20 mm至6.55 mm，平均ASD范围为1.97 mm至2.19 mm。
（二）心功能评估
在内部测试数据集上，AI与手动测量LVEF的中位绝对误差为3.02%，平均绝对误差为3.94%，两者高度相关（r=0.924，p<0.0001），一致性良好（ICC=0.927，偏差=0.89%，LOA=-10.91至12.69）。对于GLS，中位绝对误差为1.43%，平均绝对误差为1.83%，两方法高度相关（r=0.942，p<0.0001）且一致性良好（ICC=0.913，偏差=-1.22%，LOA=-5.12%至2.68%）。以50%为阈值判定左心室收缩功能降低时，Echo-DFCNN的敏感性为97.3%，特异性为96.2%。
（三）亚组分析
按LVEF范围分层分析显示，LVEF测量误差在不同LVEF范围间无显著差异（校正p=0.432），而GLS测量误差存在显著总体差异（校正p=0.0002），LVEF≥50%组的GLS测量误差显著高于其他各组。按图像质量分层分析显示，LVEF和GLS测量误差在不同图像质量组间无显著差异（LVEF：校正p=0.837；GLS：校正p=0.182），但AI可靠性随图像质量下降呈降低趋势。按机器类型分层分析显示，LVEF测量误差在不同机器类型间存在显著总体差异（校正p=0.046），Vivid E9组的误差显著高于Vivid E95组；GLS测量误差在不同机器类型间无显著差异（校正p=0.138）。
（四）与商业软件QLAB的对比
AI与QLAB在内部测试数据集和外部验证数据集上比较显示，AI在LVEF和GLS评估方面与QLAB具有强相关性和可接受的一致性（LVEF：r=0.850，ICC=0.858，偏差=-2.60%，LOA=-17.04%至11.84%；GLS：r=0.814，ICC=0.831，偏差=0.50%，LOA=-6.14%至7.14%）。AI同时获取LVEF和GLS的中位时间为11.57秒，显著快于QLAB所需的411.11秒。
（五）外部医疗中心泛化性
在四个外部数据集上，LVEF评估的中位和平均绝对误差范围分别为2.39%至4.36%和3.05%至5.84%，与手动测量相比具有强相关性（r=0.665至0.909）和良好一致性（ICC=0.736至0.941）。GLS评估的中位和平均绝对误差分别为1.37%至2.39%和1.80%至2.66%，亦显示高相关性（r=0.617至0.892）和一致性（ICC=0.697至0.877）。
（六）CMR交叉模态验证
在CMR验证数据集（n=67）中，AI模型与CMR测量LVEF之间的中位和平均绝对误差分别为4.89%和5.09%，QLAB与CMR之间的中位和平均绝对误差分别为5.61%和6.23%。对于GLS，AI与CMR之间的中位和平均绝对误差分别为1.64%和1.69%，QLAB与CMR之间的中位和平均绝对误差分别为1.37%和1.51%。AI模型在LVEF和GLS测量方面与CMR具有良好相关性（r=0.775和r=0.740），其性能与QLAB方法相当。
（七）计算性能基准
在NVIDIA GeForce RTX 3090 GPU配置下，Echo-DFCNN对三个所需切面的中位推理时间为每例患者14.41秒。CPU-only推理明显较慢，中位推理时间在使用32核时为1259.79秒，16核时为1948.58秒，8核时为3383.87秒。
（八）消融研究
通过与无光流辅助的分割方法（Single-seg）比较，评估光流对Echo-DFCNN的贡献。在所有图像质量类别中，有光流辅助的方法（Assisted-seg）均显示出较低的平均绝对误差和中位绝对误差趋势，在中等质量图像中达到显著性差异（校正p<0.001），而良好和较差质量图像中无显著差异可能归因于样本量有限。此外，Assisted-seg的中位模型推理时间为3.93秒，长于Single-seg的2.10秒，但仍处于实际应用可接受范围内。
四、讨论与结论
本研究开发了基于分割和光流算法的双流AI模型Echo-DFCNN，分割与光流模块的集成流程使LVEF和GLS的同步测量成为可能。模型以心尖两腔、三腔和四腔心切面超声心动图视频为输入，约12秒即可输出结果，无需耗时的手动心内膜描绘，且对相同输入具有唯一确定输出，消除了观察者间和观察者内变异。Echo-DFCNN的性能在4个地理上独立的队列中得到验证，并通过CMR影像这一左心室功能评估的金标准进行了交叉模态验证，与CMR测量显示出良好相关性和高度一致性。研究结果表明，Echo-DFCNN在广泛心功能范围、不同图像质量和机器类型中展现出稳健性能，为心功能评估的临床应用提供了支持。
研究人员指出，光流通过中间帧为分割算法提供连续心肌运动信息，提高了左心室分割结果的一致性。消融研究显示，Assisted-seg在中等质量图像中显示出显著临床获益，而在良好和较差质量图像中的作用需更大队列进一步探索。与既往研究相比，Echo-DFCNN采用临床指南推荐的雙平面Simpson法，利用两个正交心尖切面更全面地捕捉左心室几何形态，减少单平面几何假设带来的误差。对于GLS评估，光流追踪方法相比传统斑点追踪技术具有优势，能够学习情境特定的匹配规则并分析连续帧间运动，在低质量超声图像中也能实现可靠的心肌追踪，且不受帧率依赖限制。本研究的亚组分析揭示，LVEF≥50%组中GLS测量误差显著增大，其中20%为肥厚型心肌病患者，肥厚心肌、乳头肌增厚及肌小梁增多可遮挡心内膜显示，影响测量准确性。Echo-DFCNN在不同机器类型间对GLS测量保持稳定，显示出良好的跨平台泛化潜力，但LVEF测量在特定机器类型间存在差异，且由于本研究以Philips系统为主，对其他厂商设备的泛化性需进一步验证。
研究存在一定局限性：观察者间变异评估中两名观察者测量同一视频，忽视了图像采集变异；开发与测试队列中影响图像质量的特定临床特征人群样本量有限；机器类型以Philips系统为主；模型在LVEF≥50%组的可靠性降低；亚组分析样本量限制统计功效；CMR验证队列中药物调整可能引入混杂；模型在扩张型心肌病患者中因左心室超出超声扇区成像区域而可能性能受限。
结论：本研究提出了一种基于分割和光流算法的双流AI模型Echo-DFCNN，用于超声心动图视频的自动分析。Echo-DFCNN在研究队列中实现了LVEF和GLS的同步精确评估，展示了其在不同心功能、图像质量和机器类型中稳健性能的潜力。该模型的应用有望提高放射科医师的工作效率，并为心血管疾病患者的管理提供更好的支持。
