基于人工智能的超声心动图评估左心室舒张功能的应用进展

王亚文; 吴伟春

doi:10.3877/cma.j.issn.1672-6448.2023.06.014

中华医学超声杂志（电子版） >

2023 , Vol. 20 >Issue 06: 650 - 653

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2023.06.014

综述

基于人工智能的超声心动图评估左心室舒张功能的应用进展

王亚文 ,
吴伟春 ^,^†

展开

100037　中国医学科学院　北京协和医学院　国家心血管病中心　阜外医院超声影像中心

通信作者：吴伟春，Email：achundoctor@163.com

Copy editor: 汪荣

收稿日期: 2022-01-18

网络出版日期: 2023-10-31

版权

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计，除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。本刊为电子期刊，以网刊形式出版。

收起

Progress in application of artificial intelligence-based echocardiography in assessment of left ventricular diastolic function

Yawen Wang ,
Weichun Wu ^,^†

Expand

Received date: 2022-01-18

Online published: 2023-10-31

Copyright

No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.

All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.

Fold

本文引用格式

王亚文 , 吴伟春 . 基于人工智能的超声心动图评估左心室舒张功能的应用进展[J]. 中华医学超声杂志（电子版）, 2023 , 20(06) : 650 -653 . DOI: 10.3877/cma.j.issn.1672-6448.2023.06.014

左心室舒张功能不全（left ventricular diastolic dysfunction，LVDD）是射血分数保留型心力衰竭（heart failure with preserved ejection fraction，HFpEF）和射血分数轻度减低的心力衰竭（heart failure with mildly reduced ejection fraction，HFmrEF）的主要机制，是与非心源性呼吸困难相鉴别的必要条件，与心源性死亡及全因死亡相关^［1］。不伴有收缩功能障碍的LVDD患者约占60岁以上老年人群的36％^［2］。因此，左心室舒张功能的准确评估至关重要。超声心动图具有高时间分辨率、实时、无创安全等特点，是指南推荐的评估心脏舒张功能的首选方法，但由于舒张功能评估的超声参数繁多，且其准确性和可重复性依赖于操作者的经验和水平，因而快速准确地评估左心室舒张功能一直是超声诊断的难点。目前，人工智能可以准确识别心脏结构，可靠估计心腔容积，整合多参数综合分析输入图像，人工智能的进步使得超声心动图的自动化分析成为可能。超声心动图与人工智能的结合不仅能准确高效评估舒张功能，还在舒张功能分级、疾病的预后评估及治疗方面具有指导意义。本文针对人工智能辅助超声评估左心室舒张功能的进展进行综述。

一、左心室舒张功能的超声评估现状

LVDD的发展涉及复杂的病理生理改变，与左心室松弛功能、左心室僵硬度、左右心室相互作用、心房功能、心包疾病等多种因素相关。目前，超声心动图应用二维、彩色多普勒、频谱多普勒等繁多的超声参数分别从不同的角度评估左心室舒张功能状态，并且采集时要考虑各个参数的测量要点和局限性^［3］，给临床工作带来巨大的压力和挑战。2016年，美国超声心动图学会（American Society of Echocardiography，ASE）和欧洲心血管影像协会（European Association of Cardiovascular Imaging，EACVI）对关于左心室舒张功能诊断的指南进行更新并简化了评估流程，但这也导致了较高比例的患者被归类为左心室舒张功能正常或不确定^［4］。此外，部分LVDD患者静息状态下超声检查无明显异常，需要行负荷超声心动图检查，而实际上目前负荷超声心动图的临床应用仍较少。

二、人工智能辅助超声评估左心室舒张功能的应用

（一）图像的识别、分割与定位

左心室舒张功能的准确评估得益于标准切面超声图像的选择以及感兴趣区的准确定位。近期，有研究^［5］利用深度学习算法将406例患者的超声心动图测试数据集准确分类为胸骨旁左心室长轴切面、心尖四腔心切面、脉冲波组织多普勒等（准确性为91.1％~98.9％），同时能够对左心房、左心室图像可靠分割，平均DICE相似系数均大于93％。另有研究^［6］发现卷积神经网络模型不仅能很好地识别节段性室壁运动异常（ROC曲线下面积=0.99），而且可以对其定位（ROC曲线下面积=0.97），其准确性与专家评估结果相似。这表明人工智能算法能够高质量识别图像并进行图像的分割和定位。

（二）多普勒超声心动图

E/e’是反映肺毛细血管楔压的多普勒超声心动图参数^［7］，其比值大小体现左心室硬度和心肌纤维化程度^［8］，与不良预后事件的发生高度相关^［9］。2016年，ASE和EACVI指南^［7］推荐使用E/e’作为评估左心室舒张功能的常用指标之一。近期，Tromp等^［5］利用卷积神经网络构建出全自动舒张功能评估模型，在外部验证数据集中（n₁=1029，n₂=31 241），该模型自动测量E/e’与手动测量相比表现出良好的一致性，平均绝对误差分别为2.2、1.8，并且在真实世界数据集中（n=31 241），该模型能够准确评估左心室舒张功能（E/e’≥13，ROC曲线下面积=0.91）。

（三）心肌应变技术

心肌应变技术是用来评价心肌变形的常用超声心动图方法，多项研究^{［10, 11, 12, 13, 14, 15］}结果表明，左心房、左心室心肌应变能够反映左心室心肌纤维化、僵硬度及血流动力学的改变，在诊断和预测左心室舒张功能方面存在显著优势，并且由于其数据的相对客观有效性，在观察者之间和内部的可重复性较高。但与此同时，不断增加的参数使得左心室舒张功能的临床评估更为困难。人工智能擅长处理分析大量时空数据，可用于评估左心室舒张功能。一项研究^［16］对130例有心力衰竭症状患者的左心房及左心室纵向应变（率）及容积扩张（率）进行聚类分析模型训练，在来自另一研究中心的44例心力衰竭患者的验证数据集中，该模型聚类得到的3组患者的有创血流动力学参数肺毛细血管楔压、左心室充盈压（金标准）结果存在明显差异（P＜0.05）。这表明聚类分析模型具备评估舒张功能的潜能，能以无创方式准确评估左心室充盈压。

（四）三维超声

左心房容积能够反映LVDD的病程及严重程度^［17］，指南^［18］推荐左心房容积指数（left atrial volume index，LAVI）作为评估左心室舒张功能的常用指标之一。三维超声在测量容积方面相较于二维超声具有更好的准确性，但由于其需要在非透视视图下标注测量点，通过3DQ软件几何假设获得容积数据，这一过程时间成本高，且对操作者有较高的专业要求，因而目前在临床上的使用仍较少。有研究显示^［19］，三维超声自动容积算法（Heart Model）无论是否进行心内膜边缘的人为调整，得到的左心房容积均与手动标注有较强的相关性（r=0.96、0.95），并且与手动标注测量（r=0.80）相比，经人为边缘调整的自动容积模型测得的左心房容积与心脏磁共振成像模型相关性更强（r=0.88）。此外，自动容积算法可以显著降低测量的时间成本（P＜0.001）。另有一项多中心研究^［20］对涉及多种心血管疾病的180例患者进行超声图像分析，该研究发现无论心内膜边缘调整与否，Heart Model获得的左心房容积在不同研究中心之间均具有较高的可重复性，且不同心动周期下自动容积测量的左心房容积的一致性好。

（五）人工智能基于超声指标优化左心室舒张功能评估

左心室舒张功能减低与左心室松弛性、左心室僵硬度、瓣膜病等多种因素相关，传统的共识局限于特定且有限的临床变量，可能无法捕捉到疾病的复杂性和微妙变化，而人工智能可以通过分析整个心动周期的动态图像提取反映心脏功能和疾病的最大信息量。其中无监督聚类分析能够对高通量数据进行自然聚类，不拘泥于现有的诊断模式，而且可以通过复杂的非线性信息发现潜在的相关性，从而识别具有相似特征的患者群体。Lancaster等^［21］依据ASE/EACVI指南评估LVDD程度，将387例患者二元分类为I级与Ⅱ~Ⅲ级两组，这两组患者与无监督聚类模型得到的两组自然聚类进行比较，结果显示出良好的一致性（Kappa=0.619，P＜0.001），并且该模型有能力对指南无法确定舒张功能分级的患者进行危险分层。有学者^［22］通过无监督与监督学习相结合的方式分析多个常规超声心动图参数，将84例左心室舒张功能不同程度受损的患者分为两组，高风险组患者的心导管左心室充盈压明显高于低风险组（P=0.004），并且该模型预测左心室充盈压升高的能力优于2016 ASE指南（ROC曲线下面积：0.88 vs 0.67，P=0.01）。

三、人工智能在LVDD相关疾病中的应用

（一）在心力衰竭中的应用

1. 诊断HFpEF：HFpEF是一种以舒张功能障碍为主要特征的全身性疾病，约22%~72%的心力衰竭患者为HFpEF^［23］。由于存在不同程度的左心室舒张功能和纵向收缩功能损害以及诊断的局限性，HFpEF患者的预后通常并不乐观。2019年欧洲心脏病学会和心力衰竭协会的共识性建议^［24］将E/e’作为主要标准纳入HFpEF诊断流程，但一项Mate分析^［25］发现E/e’仅表现出轻度相关性。有研究^［26］通过卷积神经网络模型分析了116例HFpEF患者和116例健康受试者，该模型利用左心房、左心室面积的心动周期动态曲线能很好识别HFpEF患者（准确性分别为0.91、0.88，ROC曲线下面积均为0.95）。该模型还分析了来自另一中心的465例患者（150例慢性阻塞性肺疾病患者，315例HFpEF患者），结果显示人工智能在鉴别HFpEF与非心源性呼吸困难患者方面具有潜力。有研究团队^［27］通过无监督学习分析包括临床数据、实验室指标、心电图及超声心动图参数在内的61个变量，将654例HFpEF患者聚类为三组，三个表型组在不良临床结果的发生风险之间存在差异。这为发现和推广新的有临床意义的HFpEF分类方式提供了思路及依据。

2.在心肌淀粉样变所致HFpEF中的应用：心肌淀粉样变是一种以左心室心肌肥厚伴舒张功能不全并收缩功能保留为典型表现的一种全身性疾病^［28］，其所致HFpEF常被忽视病因。Hubert等^［10］比较观察了50例射血分数保留的舒张功能不全患者（25例心肌淀粉样变患者和25例其他疾病所致HFpEF患者），发现相较于心肌淀粉样变患者（37 ml.%），HFpEF患者（72 ml.%）的应变容积环面积明显更大（P＜0.001）。应用线性判别分析（linear discriminant analysis，LDA）鉴别HFpEF与淀粉样变性组的ROC曲线下面积为0.91，明显高于常规左心室舒张功能超声评估参数。

3. 人工智能对于心力衰竭预后评估和治疗的指导作用：有研究^［21］通过无监督聚类模型得到的两组患者在全因死亡率和心源性死亡率方面存在显著差异，而基于指南的舒张功能障碍分级得到的Ⅰ~Ⅲ级三组患者在预后方面差异无统计学意义。另有研究^［29］通过分析机器学习的分组特征，依据E/e’和心率储备两个参数将HFpEF患者分为运动时变储备（chronotropic reserve，CR）和（或）舒张储备（diastolic reserve，DR）异常的有症状组（CR/DR异常组）、运动时变储备和舒张储备正常的有症状组（CR/DR正常组）及无症状组。CR/DR正常组患者因心血管疾病住院或死亡及因心力衰竭住院的发生率均明显低于CR/DR异常组患者（P值分别为0.002、0.003）。这提示人工智能的分组方式可能更适合临床评估预后。

Pandey等^［22］通过舒张功能评估模型前瞻性地将验证队列（n=219）分为高、低风险两组，高风险组的全因死亡率和心力衰竭住院率明显高于低风险组（P＜0.001）。同时高风险组较低风险组更受益于螺内酯治疗。这反映了人工智能对于舒张功能不全患者的重分类不仅可以预测患者预后，还具有为临床选择敏感有效的治疗药物的潜能。Bayes-Genis等^［30］通过人工智能建模，发现恩格列净（钠-葡萄糖协同转运蛋白）在HFpEF治疗中的主要作用是通过抑制NHE1（Na⁺/H⁺交换因子1）介导的，集中于调节心肌细胞氧化应激。提示人工智能有可能揭示舒张功能不全疾病药物治疗效用的分子机制。

（二）在其他LVDD相关疾病中的应用

缩窄性心包炎（constrictive pericarditis，CP）和限制性心肌病（restrictive cardiomyopathy，RCM）均以双房扩大、心室舒张功能下降为特征，且有研究^［31］表明，二尖瓣E峰流速随呼吸运动变化这一指标对于CP和RCM鉴别诊断价值并不高。在RCM中，心肌异常纤维化和坏死导致的舒张功能障碍表现为从舒张早期到舒张末期持续损伤。而在CP中，舒张早期保留了部分正常心肌舒张功能。因此，CP与RCM的舒张过程有显著差异。斑点追踪超声心动图（speckle tracking echocardiography，STE）已被用于无创评估心肌变形，并提供了一种区分CP与RCM的方法。Sengupta等^［32］对手术或多途径证实的50例CP患者和44例RCM患者的超声心动图进行分析，研究发现，相较于舒张早期二尖瓣环速度e’（ROC曲线下面积=82.1%）和左心室纵向应变（ROC曲线下面积=63.7%），联想记忆机器学习模型（associative memory classifier，AMC）利用15项STE参数鉴别CP与RCM的效能更优（ROC曲线下面积：89.2%；准确性：90%），在增加4项超声心动图参数（e’、E/e’、室间隔及左心室后壁厚度）后，ROC曲线下面积可提高至96.2%。

四、总结与展望

人工智能可以整合分析高通量、非线性的数据，通过聚类、降维等方式发现潜在的相关性。人工智能辅助超声心动图不仅可以对左心室舒张功能进行准确评估和风险分层，还对HFpEF、心肌淀粉样变、CP和RCM等LVDD心脏疾病的诊断及鉴别诊断具有指导意义。理想的舒张功能评估模型需要大量的数据进行训练、验证，并能在分子、细胞及血流动力学水平加以解释。目前的人工智能研究多存在样本量小、未进行外部验证和缺乏相关病理生理机制支持等问题^{［16，32］}。随着大数据的发展及计算机算法的不断优化，未来人工智能模型的开发可以纳入包含临床、影像、实验室及基因组学资料的多元化数据，为可靠评估左心室舒张功能不全、制定相关疾病的治疗方案及预后风险预测提供全面分析，对进一步推动个体化精准医疗的发展意义重大。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	Playford D, Strange G, Celermajer DS, et al. Diastolic dysfunction and mortality in 436 360 men and women: the National Echo Database Australia (NEDA) [J]. Eur Heart J Cardiovasc Imaging, 2021, 22(5): 505-515.

[2]	Van Riet EE, Hoes AW, Wagenaar KP, et al. Epidemiology of heart failure: the prevalence of heart failure and ventricular dysfunction in older adults over time. A systematic review [J]. Eur J Heart Fail, 2016, 18(3): 242-252.

[3]	Nagueh SF. Left ventricular diastolic function: understanding pathophysiology, diagnosis, and prognosis with echocardiography [J]. JACC Cardiovasc Imaging, 2020, 13(1 Pt 2): 228-244.

[4]	Almeida JG, Fontes-Carvalho R, Sampaio F, et al. Impact of the 2016 ASE/EACVI recommendations on the prevalence of diastolic dysfunction in the general population [J]. Eur Heart J Cardiovasc Imaging, 2018, 19(4): 380-386.

[5]	Tromp J, Seekings PJ, Hung C-L, et al. Automated interpretation of systolic and diastolic function on the echocardiogram: a multicohort study [J]. Lancet Digit Health, 2022, 4(1): e46-e54.

[6]	Kusunose K, Abe T, Haga A, et al. A deep learning approach for assessment of regional wall motion abnormality from echocardiographic images [J]. JACC Cardiovasc Imaging, 2020, 13(2 Pt 1): 374-381.

[7]

Nagueh

, Smiseth

, Appleton

, et al. Recommendations for the evaluation of left ventricular diastolic function by echocardiography: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging [J]. Eur Heart J Cardiovasc Imaging, 2016, 17(12): 1321-1360.

[8]	Kasner M, Westermann D, Lopez B, et al. Diastolic tissue Doppler indexes correlate with the degree of collagen expression and cross-linking in heart failure and normal ejection fraction [J]. J Am Coll Cardiol, 2011, 57(8): 977-985.

[9]	Shah AM, Cikes M, Prasad N, et al. Echocardiographic features of patients with heart failure and preserved left ventricular ejection fraction [J]. J Am Coll Cardiol, 2019, 74(23): 2858-2873.

[10]	Hubert A, Le Rolle V, Galli E, et al. New expectations for diastolic function assessment in transthoracic echocardiography based on a semi-automated computing of strain-volume loops [J]. Eur Heart J Cardiovasc Imaging, 2020, 21(12): 1366-1371.

[11]	Telles F, Nanayakkara S, Evans S, et al. Impaired left atrial strain predicts abnormal exercise haemodynamics in heart failure with preserved ejection fraction [J]. Eur J Heart Fail, 2019, 21(4): 495-505.

[12]	Fan J L, Su B, Zhao X, et al. Correlation of left atrial strain with left ventricular end-diastolic pressure in patients with normal left ventricular ejection fraction [J]. Int J Cardiovasc Imaging, 2020, 36(9): 1659-1666.

[13]	Reddy YNV, Obokata M, Egbe A, et al. Left atrial strain and compliance in the diagnostic evaluation of heart failure with preserved ejection fraction [J]. Eur J Heart Fail, 2019, 21(7): 891-900.

[14]	Mordi IR, Singh S, Rudd A, et al. Comprehensive echocardiographic and cardiac magnetic resonance evaluation differentiates among heart failure with preserved ejection fraction patients, hypertensive patients, and healthy control subjects [J]. JACC Cardiovasc Imaging, 2018, 11(4): 577-585.

[15]	Lisi M, Mandoli GE, Cameli M, et al. Left atrial strain by speckle tracking predicts atrial fibrosis in patients undergoing heart transplantation [J]. Eur Heart J Cardiovasc Imaging, 2022, 23(6): 829-835.

[16]	Omar AMS, Narula S, Abdel Rahman MA, et al. Precision phenotyping in heart failure and pattern clustering of ultrasound data for the assessment of diastolic dysfunction [J]. JACC Cardiovasc Imaging, 2017, 10(11): 1291-1303.

[17]	Thomas L, Marwick TH, Popescu BA, et al. Left atrial structure and function, and left ventricular diastolic dysfunction: JACC state-of-the-art review [J]. J Am Coll Cardiol, 2019, 73(15): 1961-1977.

[18]	Lang RM, Badano LP, Mor-Avi V, et al. Recommendations for cardiac chamber quantification by echocardiography in adults: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging [J]. J Am Soc Echocardiogr, 2015, 28(1): 1-39 e14.

[19]	Tsang W, Salgo IS, Medvedofsky D, et al. Transthoracic 3D echocardiographic left heart chamber quantification using an automated adaptive analytics algorithm [J]. JACC Cardiovasc Imaging, 2016, 9(7): 769-782.

[20]	Medvedofsky D, Mor-Avi V, Amzulescu M, et al. Three-dimensional echocardiographic quantification of the left-heart chambers using an automated adaptive analytics algorithm: multicentre validation study [J]. Eur Heart J Cardiovasc Imaging, 2018, 19(1): 47-58.

[21]	Lancaster MC, Salem Omar AM, Narula S, et al. Phenotypic clustering of left ventricular diastolic function parameters: patterns and prognostic relevance [J]. JACC Cardiovasc Imaging, 2019, 12(7 Pt 1): 1149-1161.

[22]	Pandey A, Kagiyama N, Yanamala N, et al. Deep-learning models for the echocardiographic assessment of diastolic dysfunction [J]. JACC Cardiovasc Imaging, 2021, 14(10): 1887-1900.

[23]

Ponikowski

, Voors

, Anker

, et al. 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure: The task force for the diagnosis and treatment of acute and chronic heart failure of the European Society of Cardiology (ESC). Developed with the special contribution of the Heart Failure Association (HFA) of the ESC [J]. Eur J Heart Fail, 2016, 18(8): 891-975.

[24]	Pieske B, Tschope C, De Boer RA, et al. How to diagnose heart failure with preserved ejection fraction: the HFA-PEFF diagnostic algorithm: a consensus recommendation from the Heart Failure Association (HFA) of the European Society of Cardiology (ESC) [J]. Eur Heart J, 2019, 40(40): 3297-3317.

[25]

Nauta

, Hummel

, Van Der Meer

, et al. Correlation with invasive left ventricular filling pressures and prognostic relevance of the echocardiographic diastolic parameters used in the 2016 ESC heart failure guidelines and in the 2016 ASE/EACVI recommendations: a systematic review in patients with heart failure with preserved ejection fraction [J]. Eur J Heart Fail, 2018, 20(9): 1303-1311.

[26]	Chiou YA, Hung CL, Lin SF. AI-assisted echocardiographic prescreening of heart failure with preserved ejection fraction on the basis of intrabeat dynamics [J]. JACC Cardiovasc Imaging, 2021, 14(11): 2091-2104.

[27]	Segar MW, Patel KV, Ayers C, et al. Phenomapping of patients with heart failure with preserved ejection fraction using machine learning-based unsupervised cluster analysis [J]. Eur J Heart Fail, 2020, 22(1): 148-158.

[28]	Quarta CC, Solomon SD, Uraizee I, et al. Left ventricular structure and function in transthyretin-related versus light-chain cardiac amyloidosis [J]. Circulation, 2014, 129(18): 1840-1849.

[29]	Przewlocka-Kosmala M, Marwick TH, Dabrowski A, et al. Contribution of cardiovascular reserve to prognostic categories of heart failure with preserved ejection fraction: a classification based on machine learning [J]. J Am Soc Echocardiogr, 2019, 32(5): 604-615 e6.

[30]	Bayes-Genis A, Iborra-Egea O, Spitaleri G, et al. Decoding empagliflozin's molecular mechanism of action in heart failure with preserved ejection fraction using artificial intelligence [J]. Sci Rep, 2021, 11(1): 12025.

[31]	Welch TD, Ling LH, Espinosa RE, et al. Echocardiographic diagnosis of constrictive pericarditis: Mayo Clinic criteria [J]. Circ Cardiovasc Imaging, 2014, 7(3): 526-534.

[32]	Sengupta PP, Huang YM, Bansal M, et al. Cognitive machine-learning algorithm for cardiac imaging: a pilot study for differentiating constrictive pericarditis from restrictive cardiomyopathy [J]. Circ Cardiovasc Imaging, 2016, 9(6): e004330.

Options

文章导航

模态框（Modal）标题