《Echo Research & Practice》：Artificial intelligence-based prediction of procedural success in transcatheter mitral valve edge-to-edge repair
编辑推荐：
摘要
背景： 经导管二尖瓣缘对缘修复术（MTEER）的患者筛选仍然具有挑战性，特别是在二尖瓣解剖结构复杂的患者中。传统的风险评分纳入的临床变量有限，且未能充分考虑到详细的心超特征，导致对操作成功率的预测欠佳。
目的： 开发和评估整合临床和超声心动图数据的机器学
摘要
背景： 经导管二尖瓣缘对缘修复术（MTEER）的患者筛选仍然具有挑战性，特别是在二尖瓣解剖结构复杂的患者中。传统的风险评分纳入的临床变量有限，且未能充分考虑到详细的心超特征，导致对操作成功率的预测欠佳。
目的： 开发和评估整合临床和超声心动图数据的机器学习（ML）和深度学习（DL）模型，以预测MTEER术后的操作成功率。
方法： 回顾性分析了2014年至2022年间在单一三级医疗中心接受MTEER的连续患者。操作成功率定义为术后残余二尖瓣反流≤轻度且平均二尖瓣跨瓣压差<5 mmHg。利用术前经食管超声心动图（TEE）视频片段生成用于ML和DL模型训练的图像数据集。研究人员使用机器学习算法（决策树、随机森林、梯度提升、k近邻、支持向量机）根据患者人口统计学特征和基线TEE测量值预测主要结局。使用Inception、Xception和MobileNet架构，并采用10折交叉验证和严格的以患者级别的数据分离进行评估。模型性能通过准确率、敏感度、特异度和受试者工作特征曲线下面积（AUC）进行评估。
结果： 在纳入的467例患者中，90.7%实现了操作成功。深度学习模型表现优于逻辑回归和ML。Xception架构实现了最高的区分度（AUC 0.76），在预测操作成功率方面具有良好的准确性和敏感度。
结论： 人工智能有潜力改善MTEER术后操作结局的预测。整合超声成像和临床数据的深度学习模型能够准确预测操作成功率，并可能增强术前风险分层、患者选择以及心脏团队（Heart Team）的决策制定。
研究背景与意义
经导管二尖瓣缘对缘修复术（MTEER）已成为高手术风险且患有显著二尖瓣反流（MR）患者的重要治疗选择。然而，尽管器械技术和操作技术不断进步，实现最佳的操作结局仍高度依赖于恰当的患者选择，尤其是在二尖瓣解剖结构复杂的患者中。传统的外科和经导管风险评分依赖于有限的人口统计学和临床变量，且未专门针对MTEER的技术成功率进行开发。此外，这些模型未纳入对操作计划和结局判定至关重要的详细超声心动图解剖特征，从而限制了其在指导患者选择方面的能力。近期，机器学习（ML）和深度学习（DL）的进步使得分析大型高维数据集及变量间复杂的非线性关系成为可能，特别是其处理影像数据并将其与临床信息整合的能力，为改善个体化风险预测提供了可能。该研究旨在开发和评估基于术前超声心动图影像和临床数据的人工智能（AI）模型，以预测MTEER的操作成功率。该论文发表在《Echo Research》。
主要关键技术方法
研究人员回顾性分析了2014年至2022年在St Michael’s Hospital（多伦多，加拿大）接受MTEER的所有连续患者，排除临床或超声数据不完整者。操作成功率定义为术后残余MR≤轻度且平均二尖瓣梯度<5 mmHg。机器学习分析采用了五种监督学习算法（决策树、随机森林、梯度提升、k近邻、支持向量机），输入特征为34项预定的超声测量值。深度学习方面，从1,374个术前TEE视频片段中提取了72,952张图像，采用Inception、Xception和MobileNet三种卷积神经网络架构进行二分类。所有图像均按患者级别分配至训练或测试集以避免数据泄漏，并应用数据增强、早停和批量归一化等技术。
研究结果
研究人群
研究纳入了467例连续患者。在这一真实世界队列中，操作成功率达到了90.7%。
超声心动图评估与操作定义
所有操作均在TEE引导下进行。由三位经验丰富的介入超声心动图医师进行即刻术后评估，严格按照残余MR≤轻度和平均二尖瓣梯度<5 mmHg的标准定义操作成功。
AI模型开发
机器学习模型利用34个预定的超声特征进行训练，连续变量在分析前进行了标准化，超参数通过网格搜索和交叉验证进行调优。深度学习模型则利用从TEE视频中提取的大量图像帧，通过预训练模型的微调、数据增强（调整大小、旋转、翻转、归一化）及严格的以患者级别数据分离（确保训练集和测试集无患者重叠）来构建分类模型。
模型训练与验证
研究采用了10折交叉验证策略，确保每折中训练集与测试集在患者级别上完全分离。模型性能通过准确率、敏感度、特异度及受试者工作特征曲线下面积（AUC）进行评估。由于本研究主要是一项可行性研究，旨在评估ML和DL方法的潜力，因此未进行个体算法间的正式统计比较和置信区间计算。
结果
深度学习模型在预测操作成功率方面表现出优于逻辑回归和传统机器学习的性能。其中，Xception架构展现出了最高的判别能力，AUC达到0.76，同时在准确率和敏感度方面表现良好。
讨论与结论翻译
研究人员指出，传统风险评分在预测MTEER成功率方面的效用有限。本研究表明，利用术前TEE影像和临床数据的深度学习模型，特别是Xception架构，能够较为准确地预测操作成功率（AUC 0.76）。尽管目前性能仍需在更大的多中心数据集中进一步验证，且本研究存在回顾性设计和单中心数据的局限性，但这些发现支持了AI在改善MTEER术前风险分层方面的潜力。
结论： 人工智能有潜力改善MTEER术后操作结局的预测。整合超声心动图成像和临床数据的深度学习模型能够准确预测操作成功率，并可能增强术前风险分层、患者选择以及心脏团队（Heart Team）的决策制定。
