深度学习在超声心动图诊断瓣膜性心脏病中的诊断准确性：系统评价与Meta分析

《Scientific Reports》：Diagnostic accuracy of deep learning models for detecting valvular heart diseases using echocardiography: a systematic review and meta-analysis

　　

摘要

瓣膜性心脏病是心血管病发病和死亡的主要全球原因之一，尽管超声心动图是诊断的金标准，但及时诊断仍然具有挑战性。近年来，深度学习在超声心动图评估瓣膜疾病方面展现出令人瞩目的准确性。本次系统评价和Meta分析旨在评估深度学习模型在超声心动图诊断瓣膜性心脏病中的诊断准确性。通过MEDLINE、Scopus和Web of Science数据库进行系统文献检索，检索截止至2025年12月1日，检索词涉及深度学习、瓣膜性心脏病和超声心动图相关关键词。按照预设的纳入标准，依次对标题、摘要和全文进行筛选。采用双变量随机效应Meta分析汇总诊断准确性指标，并进行亚组分析以探索潜在的异质性来源。共检索到749条记录，其中16项研究符合纳入标准并纳入Meta分析。汇总的诊断效能显示敏感性为0.91（95%置信区间：0.88–0.93），特异性为0.89（95%置信区间：0.83–0.92）。两项指标均表现出显著的研究间变异，异质性指数达到I2 = 99%（p?<?0.001）。此外，汇总受试者工作特征曲线分析显示总体AUC为0.96（95%置信区间：0.93–0.97），合并诊断比值比估计为77.2（95%置信区间：44.57–133.73）。敏感性分析结果显示各分析间的汇总估计值基本一致，采用Deeks不对称检验评估发表偏倚未显示统计学显著性（p?=?0.30）。本次系统评价和Meta分析的结果表明，应用于超声心动图的深度学习驱动方法在检测瓣膜性心脏病方面展现出令人瞩目的诊断性能。然而，由于研究间异质性显著且存在方法学局限性，证据确定性被评定为极低。因此，汇总的敏感性、特异性和AUC应被视为探索性汇总指标，而非稳定或可推广的诊断效能估计值。在常规临床实施之前，亟需开展多中心验证、标准化影像方案、外部验证以及提升模型可解释性。