经过培训的超声心动图医师对急诊胸痛患者进行室壁节段性运动异常（regional wall motion abnormality，RWMA）评估是冠心病诊治原则中的Ⅰ类推荐^［12］。二维超声心动图是目前应用最广泛的评价RWMA的无创成像方式，然而传统的RWMA评估基于心内膜偏移的视觉解释，主观性强，依赖于经验。AI的出现极大程度地改善了这一问题。

早在2007年，有研究^［13］提出了一种基于局部变化形状模型的自动分类方法，利用主成分分析（principal component analysis，PAC）和正交旋转，从四腔和两腔超声心动图序列建立稀疏形状模型，然后使用得到的形状参数对左心室壁节段性运动异常进行分类。这一研究使用的是传统的统计ML方法，而随后出现的DL模型则具有更强大的数据处理能力。

Kusunose等^［14］应用深度卷积神经网络（deep convolutional neural network，DCNN）基于左心室短轴乳头肌水平切面构建了心肌梗死智能诊断模型来检测RWMAs，该工作测试了残差神经网络（residual neural network，ResNet）、稠密卷积网络（densely connected convolutional networks，DenseNet）等多种DCNN模型，其中诊断效能最好的ResNet模型其ROC曲线下面积与有经验的超声心动图医师几乎相等（0.97 vs 0.95）。ResNet模型由多个残差块组成，每个残差块包含了跳跃连接（shortcut connection），允许信息在网络层之间直接跳跃传递，而非传统的层级间串行连接，其能够从原始图像中提取更深层次的信息，该研究结果展现了DCNN在超声心动图领域智能诊断心肌缺血的潜能。该研究基于静态图像分析，然而在临床实践中RWMA需基于动态视频分析，对此Huang等^［15］开发了一种由三个串联模型组成的动态超声心动图分析算法，首个模型使用三维CNN模型以定位四个主要视图，即胸骨旁长轴视图、乳头肌水平短轴视图、心尖四腔和两腔视图；其次使用U-Net这一二维卷积模型对四个视图进行图像语义分割，标注每个节段左心室壁的位置；最后一个模型以分割前后的图像作为输入评估局部室壁运动异常。该方法整合了时间和空间信息，且通过交叉和外部验证进一步证实了其可靠性，为后续相关研究打下良好基础并提供了多元化的研究思路。另外还有学者^［16］提到一种长短期记忆网络（long short-term memory，LSTM），其递归和门控结构使其在基于庞大视频数据集时间序列分析方面具有强大功能，通过记忆元充分学习连续超声时间帧之间的关联信息，与CNN结合应用可作为超声心动图检测急性心肌梗死的补充工具。上述研究均采用了相对严格的预先图像质量标准，表明这些模型可能不适合广泛使用。最新的研究^［17］开发了一种新的DL框架用于成像质量相对较差的床旁超声，其采用Xception Net神经网络模型，避免在初始阶段对图像质量进行任何过滤，而是在运行时进行视图选择。基于数据驱动的方法，研究人员通过将数据集中的图像质量标注为合格或不合格，将问题形式化为二分类任务，并通过训练Xception Net模型进行图像质量评估和处理，首次严格证明了DL方法可以自动评估图像质量，并且将其与标准超声设备检查结果进行了比较，二者表现相似，表明Xception Net模型能够以高度的准确性解释RWMA。

冠状动脉粥样硬化会导致管腔狭窄，继而导致心肌缺血，当血管完全闭塞或粥样硬化斑块破裂时心肌发生坏死，到终末期可能并发心力衰竭。此时，左心室收缩功能是评估急性冠脉综合征患者预后的重要指标，左心室射血分数（left ventricular ejection fractions，LVEF）≤40%是急性心肌梗死患者发病1个月后发生不良预后的预测因子^［18］。目前，临床上推荐冠心病患者使用双平面Simpson法测量LVEF，此方法通过测量左心室收缩末期和舒张末期容积得出LVEF，传统上依赖于手动追踪心动周期这两个阶段的心内膜边界，因此观察者间变异性不言而喻。

三维全自动左心室容积定量技术是近年来发展的新技术，其采用自适应智能分析算法，通过图像分割获取最优的边界从而实现左心室心内膜面的自动识别，并利用运动分析技术构建出左心室的三维模型。最后将该模型与大型数据库中的模型进行匹配，从而呈现出射血分数值以及左心室容积参数，然而在部分成像质量不理想的患者中，无论人为识别还是图像分割都是不准确的。Federico等^［19］尝试开发一种模拟人类经验学习的DL算法，避免图像分割和体积测量，给定一个足够大的、异质的学习数据集，计算机可以被训练到从数以千计的图像中推导出必要的特征和视觉模式，直接估计心室收缩和扩张的无维度程度，而与心室大小无关，并且在后来的验证中达到与人工传统测量相近的结果。但该方法并没有提供射血分数的计算细节，也没有遵循目前双平面Simpson法参考方法的推荐步骤，即要求在至少三个心动周期基础上评估；基于以往分割的方法并不能将心动周期区分开来，会导致检测到不连续的舒张末期（end-diastolic，ED）和收缩末期（end-systolic，ES）。Moal等^［20］根据Simpson的双平面方法建议，提出一种结合样条插值和统计学形状模型（statistical shape model，SSM）的分割方法，实现端-端过程。使用PAC的SSM以往用来捕捉左心室形状的几何特征，现用于平滑输出分割和检测异常值；样条插值可识别一个超声动态视频中的多个ED和ES，该算法在外部测试数据集中实现了最先进的双平面射血分数评估。

左心室质量是不良心血管事件的重要预测指标之一^［21］。三维超声心动图能够更准确地识别左心室的容积和形态，并进行精确的测量。三维超声心动图技术基于全容积心内膜及心外膜的识别，不依赖于几何假设，相较于传统二维超声心动图可以更好地反映真实的心脏情况。尽管基于三维超声心动图的左心室质量评估具有准确性高等优点，但是由于其操作繁琐，目前并未纳入常规临床实践。Streiff等^［22］建立了猪和羊的心肌梗死模型，并应用EchoPAC PC（GE，Andover，MA，USA）中的左心室定量技术评估其左心室质量以及局部应变值，该定量软件的半自动特性可定位ED和ES帧，并根据心内膜边界的轨迹计算每帧的心室容积，接着该程序投影每个剩余帧的心内膜轨迹以创建容积波形，即心动周期过程中心室腔的3D模型。此外，Volpato等^［23］开发了一项基于ML的新算法，通过新的自动化软件（Philips HeartModel）对左心室质量进行量化，必要时使用传统的容积分析（TomTec）方法进行手动校正。该算法使用的训练集大小超过1000，在验证集中表现出与传统三维超声心动图分析以及心血管磁共振成像相似的测量准确性，且速度更快。AI技术的出现将有助于推广应用此项重要的超声心动图参数。