超声心动图的人工智能时代

赵嘉欣; 穆玉明

doi:10.3877/cma.j.issn.1672-6448.2023.12.016

中华医学超声杂志（电子版） >

2023 , Vol. 20 >Issue 12: 1308 - 1311

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2023.12.016

综述

超声心动图的人工智能时代

赵嘉欣 ,
穆玉明 ^,¹^,^†

展开

^1.831100　乌鲁木齐，新疆医科大学第一附属医院心脏超声诊断科

通信作者：穆玉明，Email：mym1234@126.com

Copy editor: 汪荣

收稿日期: 2023-02-21

网络出版日期: 2024-03-05

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

Echocardiography in the era of artificial intelligence

Jiaxin Zhao ,
Yuming Mu ^,^†

Expand

Received date: 2023-02-21

Online published: 2024-03-05

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

摘要

人工智能（artificial intelligence，AI）概念自1950年提出至今，在各领域的进展迅速，极大地改变着人们的生活。随着在心血管领域的价值不断被挖掘，AI从成像解释到临床决策得到不同程度的应用。目前，多种成像方式中心脏超声成像因具有便携、实时、成本低等诸多优点而得到临床广泛认可，成为心脏疾病诊疗过程中不可替代的工具。然而，由于心脏所处的解剖位置特殊、检查过程中节律性跳动以及操作人员专业知识水平不同，心脏超声在成像质量和测量重复性方面受到限制。近年来，AI与心脏超声的融合发展在数据处理、图像识别、超声心动图诊断及预后评价等方面表现出明显优势。本文就AI的概念以及其在心脏超声领域中的应用进展进行综述，并对其目前发展的局限性进行分析。

本文引用格式

赵嘉欣 , 穆玉明 . 超声心动图的人工智能时代[J]. 中华医学超声杂志（电子版）, 2023 , 20(12) : 1308 -1311 . DOI: 10.3877/cma.j.issn.1672-6448.2023.12.016

人工智能（artificial intelligence，AI）概念自1950年提出至今，在各领域的进展迅速，极大地改变着人们的生活^［1］。随着在心血管领域的价值不断被挖掘，AI从成像解释到临床决策得到不同程度的应用。目前，多种成像方式中心脏超声成像因具有便携、实时、成本低等诸多优点而得到临床广泛认可，成为心脏疾病诊疗过程中不可替代的工具^［2］。然而，由于心脏所处的解剖位置特殊、检查过程中节律性跳动以及操作人员专业知识水平不同，心脏超声在成像质量和测量重复性方面受到限制。近年来，AI与心脏超声的融合发展在数据处理、图像识别、超声心动图诊断及预后评价等方面表现出明显优势^［2］。本文就AI的概念以及其在心脏超声领域中的应用进展进行综述，并对其目前发展的局限性进行分析。

一、AI的概述

最早AI的概念是指用计算机模拟人的行为和批判性思维^［3］。随着学习推理能力的完善，AI对医学的辅助价值已然成为新热点。机器学习（machine learning，ML）作为AI的子领域，其从数据或实例中学习来构建数据模型、执行预定任务，并能分析数据间的关系^［4］。随着计算机性能的提升，为了使AI更符合人类的智能方式，人们引入了基于多层方面的限制，实现了自动特征提取，使其在分析大型复杂样本时发挥重要作用^［5］。

二、AI辅助下心脏超声图像的识别

（一）心脏图像获取及分类

临床诊疗过程中，不同切面的超声图像资料及多普勒模式记录相互补充，提供了更全面的心脏观察角度。因此，标准图像的获取及视图分类对心脏结构识别和功能评价尤为必要。Narang等^［6］的深度学习（deep learning，DL）模型通过超过500万个观察结果来研究换能器位置对图像方向和质量的影响。该研究能够辅助缺乏经验的医师获取具有诊断质量的超声图像，其心室容积测量数据可与经验丰富的超声医师的切面测量结果相媲美。这项技术在需要立即了解心脏结构功能的急诊临床环境中具有重要意义。Madani等^［7］和Andreas等^［8］通过训练卷积神经网络（convolutional neural network，CNN）创建心脏标准视图识别分类模型，单帧图像识别仅需（4.4±0.3）ms，模型对图像测试的准确性也均>98%。切面分类是解释超声心动图重要的第一步，该模型能够正确地对B模式、M模式、多普勒模式等超声心动图图像进行分类，这对于临床数据分析及临床科研均有极大帮助。

（二）心脏图像分割

心脏图像分割即根据解剖结构将心脏划分为不同区域，是量化心功能参数的重要步骤。目前，该领域神经网络的研究较为广泛^［9］，Arafati等^［10］首次提出将深度全卷积网络（fully convolutional networks，FCNs）与对抗性训练相结合的方法用于四腔心切面图像分割，性能优于单一心腔分割技术；基于自动和手动分割计算心室容积的评估结果相似（左心室舒张末期容积相关系数计算r=0.915，P=0.80；左心室收缩末期容积相关系数r=0.94，P=0.94）。Painchaud等^［11］提出2D+time CNN心尖长轴分割框架，在保证时间一致性的基础上，其在分割精度方面显示出系统性的改进，对于评估速度、应变或应变率等时序一致的数据具有较大优势。时序一致的图像分割是实现自动图像分析的重要步骤。神经网络模型弥补了人工耗时久、可变性大的缺陷，可达到理想的图像分割效果，自动化分析可以帮助识别和描述更广泛的心血管疾病。

三、AI辅助下心脏功能的评估

心脏功能评估是展开心脏疾病诊疗活动的基础。经胸超声心动图对心室功能的评估会受到肌小梁、腱索、图像伪影的影响，特别是右心评估过程受到其新月形的几何形状及胸骨后解剖位置干扰较为显著。尽管多种商业软件已为提高心功能评估的准确性做出努力，但效果仍不理想^［12］。三维超声心动图测量可清晰显示心脏的结构及相邻关系，研究已证实三维超声心动图测量心功能参数的准确性，对其诊断价值也给出肯定^［13-14］。Genovese等^［15］和Zhu等^［16］的研究证实了AI辅助的三维超声心动图检查能高效准确地完成右心室的量化分析，并发现与心脏磁共振相比，基于AI算法的三维超声心动图在分析右心室功能障碍方面具有优异的诊断性能。但三维超声心动图操作费时、对技术要求高，在临床中尚未广泛应用。Schneider等^［17］和Federico等^［18］研究的DL模型均模拟心血管专家的识图模式，在不依赖心腔分割容积测量的基础上自动评估射血分数，实现了模仿人眼的完全ML算法，结果与专家测量参考值具有极好的相关性。AI极大缩小了超声专家和初学者在左心室射血分数测量间的差异，使该参数在临床应用的可信度进一步提升。

心功能评估的另一重要指标整体纵向应变（global longitudinal strain，GLS）受到广泛关注^［19］。Salte等^［20］研发的4种类人工神经网络（artificial neural network，ANN）组合的DL算法能在15 s内完成切面识别、心肌追踪、运动分析及GLS测量的工作，极大减少耗时并降低测量变异性，随着算法不断优化可以实现获取超声图像时进行GLS的实时测量。此外，Karuzas等^［21］提出的CNN预测框架能准确预测E/A峰值比和平均E/e'比值，曲线下面积（area under curve，AUC）为0.93。River等^［22］的ML模型生成的相应的舒张功能评分，与当前美国超声心动图学会/欧洲心血管影像协会（American Society of Echocardiography/European Association of Cardiovascular Imaging，ASE/EACVI）指南中舒张功能分级的建议高度一致。Choi等^［23］将专家驱动获取的知识和机器驱动生成的规则相结合，创建了人工智能-临床决策支持系统（artificial intelligence-clinical decision support system，AI-CDSS），在回顾性队列研究以及前瞻性队列研究中均表现出优越的诊断性能。ML算法的可行性及准确性已经得到验证，其弥补了传统的心功能指标测量的缺陷，大大缩短了测量时间、改进了心脏疾病的临床测量方式，对临床病情评估及医疗决策制定均有很大帮助。

四、AI辅助在心脏疾病诊断中的应用

（一）心脏瓣膜病

在过去的30年，心脏瓣膜病的发病率增长了45%，心脏瓣膜病诊断和治疗的必要性凸显^［24］。AI辅助下的超声心动图在瓣叶识别、疾病严重程度预测等方面的能力均有提升。Chandra等^［25］利用Yolo机制和MobileNet的DL技术，更准确地实现瓣叶可视化追踪，二尖瓣及三尖瓣检测的准确性分别为98%和90%，其更有利于定量参数的获取。准确的瓣膜评估有助于更精准的干预治疗，与传统分类相比，Sengupta等^［26］的ML模型对主动脉狭窄严重程度分类的区分度提高了0.07。Moghaddasi等^［27］构建的二尖瓣反流程度评估模型，对二尖瓣反流严重程度的诊断准确性高达99.45%。AI虽然无法避免心脏瓣膜病理状态评估的观察者间差异，但是其发展依然有望改善心脏瓣膜病患者的评估和管理方式。

（二）心肌病

心脏超声为心肌病早期诊断和治疗做出巨大贡献。Yu等^［28］研究发现了心肌纹理特征在心肌病中潜在的诊断价值，研究者使用基于AI的灰度共生矩阵，通过分析亮度熵、变异系数、偏度等关键参数来对比心肌纹理，以实现肥厚型心肌病、高血压性心脏病和尿毒症性心肌病的鉴别。这提高了医师的诊断率和鉴别诊断能力，特别是为基层医院诊疗活动的开展提供了极大帮助。Duffy等^［29］开发的三维CNN算法能准确量化左心室壁厚度的细微变化，并将肥厚型心肌病和心脏淀粉样变性与其他导致左心室肥厚的原因分开。这一性能在独立的外部数据集中得到了充分验证。Sengupta等^［30］使用联想记忆分类器创建了基于斑点跟踪技术图像的ML算法，用以区分缩窄性心肌病与限制性心肌病，其结果得到多模态影像学和病理学证实。诸多研究表明，AI可与专家医师的诊断能力媲美，在心脏形态和功能异常不具有特异性的心肌病诊断方面具有极大优势，为心肌病的诊断带来了新思路。

（三）冠心病

冠心病是由冠状动脉病变引起的心肌缺血所致的一种特殊类型的心脏病，临床通过超声心动图分析血管状态、心肌运动、心肌灌注等情况来评价心肌缺血的严重程度。AI可以在保障冠心病诊断准确性的同时实现自动化和高效诊断，如Kusunose等^［31］为识别心肌异常运动而建立的ResNet算法生成的 AUC 与心脏病专家和超声医师的结果相似（AUC分别为0.99与0.98，P= 0.15）；Omar等^［32］的研究通过对主应变分析产生的牛眼图进行量化，手工创建图像特征，CNN自动进行特征学习，能系统高效地准确判断病变位置，从而实现室壁运动自动分类。该方法敏感度、特异度和准确性分别为81.1%、65.4%和75.0%。

Li等^［33］提出完全自动的心肌分割框架，该团队将CNN和递归神经网络相结合，该成果无需人工参与，在保障图像前后的时序一致性的前提下可准确分割心肌声学造影中的心肌区域。随后，Tian等^［34］的研究更进一步模拟视觉感知过程，通过识别纹理和灰度特征来分析心肌灌注信号、量化灌注指标，从而有效地评估和预测心肌微循环。AI能够更客观地识别病变心肌的图像，并进行图像分析，为临床诊断提供参考，特别是在大规模数据整合分析及指导预防和健康管理方面，AI具有人工无法比拟的优势^［35］。这些优势有助于提升冠心病的早期诊断和治疗效果，提高患者的生活质量和健康水平。

五、AI的局限性

目前，AI在心脏超声领域的研究已取得阶段性成果，但在实际应用中仍然存在诸多限制。首先，多数研究是基于单中心、小样本量的回顾性分析，仍需要多中心的前瞻性研究验证其在临床应用中的可靠性和安全性。其次，智能算法不尽相同，所开发的模型针对性强，分析结果存在过度拟合的风险。另外，基于高质量图像的训练模型在实际应用中分析结果可能存在偏差，限制了模型的通用性。再次，临床医师对ML模型复杂的运行机制知之甚少，很难对其建立的因果关系及得出的结论做出合理解释。最后，AI的整合需要在监管机构批准之下进行，对一系列相关的医疗安全、责任划分等伦理问题当下依然没有很好的应对策略。

随着计算机技术的进步及医疗资源需求的增加，智能化的精准医疗迎来了发展的黄金时代。AI与超声影像学融合发展一方面提升了工作效率，减少临床错误，有助于超声评估的同质化发展；另一方面，提高了对于心脏疾病的筛查效能，有望成为扩展临床能力的得力工具。相信未来AI的发展能够不断突破局限性，为心脏超声领域带来新的曙光。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Kaul V, Enslin S, Gross SA. History of artificial intelligence in medicine [J]. Gastrointest Endosc, 2020, 92(4): 807-812.

2	Zhou J, Du M, Chang S, et al. Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosis [J]. Cardiovasc Ultrasound, 2021, 19(1): 1-11.

3	Deshmukh R, Rathi P. Artificial intelligence in medicine [J]. J Assoc Physicians India, 2022, 70(3): 11-12.

4	Koulaouzidis G, Jadczyk T, Iakovidis DK, et al. Artificial intelligence in cardiology-A narrative review of current status [J]. J Clin Med, 2022, 11(13): 3910-3913.

5	Suzuki K. Machine learning in medical imaging before and after introduction of deep learning [J]. J Med Imag Health In, 2017, 34(2): 14-24.

6	Narang A, Bae R, Hong H, et al. Acquisition of diagnostic echocardioimagedata images by novices using a deep learning based image guidance algorithm [J]. JAMA Cardiol, 2021, 6(6): 624-632.

7	Madani A, Arnaout R, Mofrad M, et al. Fast and accurate view classification of echocardiograms using deep learning [J]. NPJ Digit Med, 2018, 1(1): 1-8.

8	Ostvik A, Smistad E, Aase SA, et al. Real-time standard view classification in transthoracic echocardiography using convolutional neural networks [J]. Ultrasound Med Biol, 2019, 45(2): 374-384.

9	Al Kindi D, Househ M, Alam T, et al. Artificial intelligence models for heart chambers segmentation from 2D echocardioimagedata images: a scoping review [J]. Stud Health Technol Inform, 2022, 289: 264-267.

10	Arafati A, Morisawa D, Avendi MR, et al. Generalizable fully automated multi-label segmentation of four-chamber view echocardiograms based on deep convolutional adversarial networks [J]. J R Soc Interface, 2020, 17(169): 20200267.

11	Painchaud N, Duchateau N, Bernard O, et al. Echocardiography segmentation with enforced temporal consistency [J]. IEEE Trans Med Imaging, 2022, 41(10): 2867-2878.

12	Gandhi S, Mosleh W, Shen J, et al. Automation, machine learning, and artificial intelligence in echocardiography: A brave new world [J]. Echocardiography, 2018, 35(9): 1402-1418.

13	Medvedofsky D, Mor-Avi V, Kruse E, et al. Quantification of right ventricular size and function from contrast-enhanced three-dimensional echocardioimagedata images [J]. J Am Soc Echocardiogr, 2017, 30(12): 1193-1202.

14	Nochioka K, Roca GQ, Claggett B, et al. Right ventricular function, right ventricular-pulmonary artery coupling, and heart failure risk in 4 US communities The Atherosclerosis Risk in Communities (ARIC) Study [J]. JAMA Cardiol, 2018, 3(10): 939-948.

15	Genovese D, Rashedi N, Weinert L, et al. Machine learning-based three-dimensional echocardioimagedata quantification of right ventricular size and function: validation against cardiac magnetic resonance [J]. J Am Soc Echocardiogr, 2019, 32(8): 969-977.

16	Zhu Y, Bao YW, Zheng KC, et al. Quantitative assessment of right ventricular size and function with multiple parameters from artificial intelligence-based three-dimensional echocardiography: A comparative study with cardiac magnetic resonance [J]. Echocardiography, 2022, 39(2): 223-232.

17	Schneider M, Bartko P, Geller W, et al. A machine learning algorithm supports ultrasound-naive novices in the acquisition of diagnostic echocardiography loops and provides accurate estimation of LVEF [J]. Int J Cardiovasc Imaging, 2021, 37(2): 577-586.

18	Asch FM, Poilvert N, Abraham T, et al. Automated echocardioimagedata quantification of left ventricular ejection fraction without volume measurements using a machine learning algorithm mimicking a human expert [J]. Circ Cardiovasc Imaging, 2019, 12(9): e009303.

19	Lang R, Badano L, 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.

20	Salte IM, Ostvik A, Smistad E, et al. Artificial intelligence for automatic measurement of left ventricular strain in echocardiography [J]. JACC Cardiovasc Imaging, 2021, 14(10): 1918-1928.

21	Karuzas A, Sablauskas K, Verikas D, et al. Accurate prediction of left ventricular diastolic dysfunction in 2D echocardiography using ensemble of deep convolutional neural networks [J]. Eur Heart J, 2020, 41(2): 3436.

22	Jiang R, Yeung D, Behnami D, et al. A novel continuous left ventricular diastolic function score using machine learning [J]. J Am Soc Echocardiogr, 2022, 35(12): 1247-1255.

23	Choi DJ, Park JJ, Ali T, et al. Artificial intelligence for the diagnosis of heart failure [J]. NPJ Digit Med, 2020, 3(54): 1-6.

24	Nedadur R, Wang B, Tsang W. Artificial intelligence for the echocardioimagedata assessment of valvular heart disease [J]. Heart, 2022, 108(20): 1592-1599.

25	Chandra V, Sarkar PG, Singh V. Mitral valve leaflet tracking in echocardiography using custom Yolo3 [J]. Procedia Computer Sci, 2020, 171(12): 820-828.

26	Sengupta PP, Shrestha S, Kagiyama N, et al. A machine-learning framework to identify distinct phenotypes of aortic stenosis severity [J]. JACC Cardiovasc Imaging, 2021, 14(9): 1707-1720.

27	Moghaddasi H, Nourian S. Automatic assessment of mitral regurgitation severity based on extensive textural features on 2D echocardiography videos [J]. Comput Biol Med, 2016, 73(1): 47-55.

28	Yu F, Huang HB, Yu QH, et al. Artificial intelligence-based myocardial texture analysis in etiological differentiation of left ventricular hypertrophy [J]. Ann Transl Med, 2021, 9(2): 108-126.

29	Duffy G, Cheng PP, Yuan N, et al. High-throughput precision phenotyping of left ventricular hypertrophy with cardiovascular deep learning [J]. JAMA Cardiol, 2022, 7(4): 386-395.

30	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.

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

32	Omar HA, Domingos JS, Patra A, et al. Quantification of cardiac bull's-eye map based on principal strain analysis for myocardial wall motion assessment in stress echocardiography: 2018 IEEE 15th international symposium on biomedical imaging (ISBI 2018) [C]. Washington DC, 2018.

33	Li M, Zeng D, Xie Q, et al. A deep learning approach with temporal consistency for automatic myocardial segmentation of quantitative myocardial contrast echocardiography [J]. Int J Cardiovas Imaging, 2021, 37(6): 1967-1978.

34	Tian M, Zheng M, Qiu S, et al. A prediction model of microcirculation disorder in myocardium based on ultrasonic images [J]. J Amb Intel Hum Comp, 2023, 14(6): 7319-7330.

35	刘梦怡, 吴伟春. 人工智能在超声心动图中的应用现状及进展 [J/OL]. 中华医学超声杂志(电子版), 2021, 18(2): 216-219.

Options

文章导航

模态框（Modal）标题

摘要