超声人工智能在成人心脏疾病诊疗中的应用及进展

何峰; 陈金玲

doi:10.3877/cma.j.issn.1672-6448.2024.10.011

中华医学超声杂志（电子版） >

2024 , Vol. 21 >Issue 10: 997 - 1004

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2024.10.011

综述

超声人工智能在成人心脏疾病诊疗中的应用及进展

何峰 ,
陈金玲 ^,¹^,^†

展开

1.430060 武汉，武汉大学人民医院超声影像科

陈金玲，77810848@qq.com

Copy editor: 汪荣

收稿日期: 2024-09-18

网络出版日期: 2024-12-23

版权

版权归中华医学会所有。

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。

收起

Progress in application of ultrasonic artificial intelligence in diagnosis and treatment of adult heart diseases

Feng He ,
Jinling Chen ^,^†

Expand

Received date: 2024-09-18

Online published: 2024-12-23

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

何峰 , 陈金玲 . 超声人工智能在成人心脏疾病诊疗中的应用及进展[J]. 中华医学超声杂志（电子版）, 2024 , 21(10) : 997 -1004 . DOI: 10.3877/cma.j.issn.1672-6448.2024.10.011

超声心动图作为一种实时、快捷、无创、无辐射的影像检查方式，临床广泛用于心脏结构和功能评估。人工智能目前已应用于医学成像的多个领域，尤其在超声领域显示出巨大优势和潜力^［1］。目前，人工智能已在超声心动图图像质量评估、切面分类、定量测量、疾病诊断、预后评估以及治疗监测等多个方面发挥重要作用^［2］，本文主要针对超声人工智能在成人心脏疾病诊疗中的最新进展及未来发展方向做一综述。

一、人工智能概述及在超声领域的应用

人工智能是指机器模拟人类智能的行为或者执行具有人类智能任务的能力。机器学习（machine learning，ML）是人工智能的重要子集，而深度学习（deep learning，DL）又是ML的重要子集。ML大致可分为三大类：监督学习、无监督学习和强化学习。ML的经典算法有多种：线性回归算法、逻辑回归算法、决策树算法、随机森林算法、朴素贝叶斯算法、κ-近邻算法、支持向量机算法等。DL的经典算法包括：卷积神经网络、全卷积神经网络、递归神经网络、长短期记忆网络、生成对抗网络等，其中前四种在超声影像中广泛应用。自2020年以来，以Open AI公司GPT-3的发布为起点，人工智能大模型进入了迅猛发展时期。大模型是指具有数千万甚至数亿参数的DL模型，能够处理大规模的数据集和复杂的任务。按输入内容区分，大模型可分为语言大模型、视觉大模型以及多模态大模型三类。人工智能相关术语与定义见表1^［1，3］。

表1 人工智能相关术语与定义^［1，3］

术语	定义
机器学习	人工智能的一个子集，计算机从经验中学习，而无需显式编程
深度学习	使用人工神经网络的机器学习子集
监督学习	一种机器学习范式，其中模型使用标签数据进行训练，以便每个示例都包含成对的输入和输出
非监督学习	一种机器学习范式，使用没有提供标签的数据（非结构化数据）来发现底层结构或模式
强化学习	一种机器学习范式，智能体通过在环境中采取行动来学习做出决策，以最大化累积奖励
语言大模型	由具有数十亿权重或更多权重的神经网络组成，在大量未标记数据上进行训练。具有理解和产生人类语言的能力，也可能适用于图像和音频
视觉大模型	大规模图像数据上进行训练，可以实现各种视觉任务，如图像分类、目标检测、图像分割、姿态估计、人脸识别等
多模态大模型	能够理解和组合不同类型的数据的人工智能模型，如医疗图像、电子健康记录、音频等

近年来，超声人工智能进入了快速发展阶段，在分类、分割、检测等领域取得了重大进展，应用领域涵盖了超声检查的大部分器官，例如心脏、肝脏、肾脏、甲状腺、乳腺、血管、子宫、卵巢，应用人群涉及成人、儿童及胎儿，应用科室由传统超声科向临床科室扩展。特别是许多人工智能模型在疾病识别和诊断准确性方面取得了与经验丰富的超声医师相同的效果，国内外已有超声人工智能产品成功临床转化的案例。

二、超声人工智能在成人心脏疾病诊疗中的应用及进展

超声人工智能已经在成人心脏图像标准化、减少观察者变异性方面显示出了良好的前景^［4］，在心力衰竭、瓣膜病、冠心病、心房颤动、肺动脉高压等成人心脏疾病方面也有广泛的研究，可用于疾病的筛查与诊断、病因鉴别、预后评估以及治疗效果评估。

（一）超声人工智能在成人心力衰竭诊疗中的应用及进展

心力衰竭为心脏疾病的终末阶段，超声人工智能在成人心力衰竭诊疗中的研究集中在心功能参数的自动评估、射血分数保留型心力衰竭（heart failure with preserved ejection fraction，HFpEF）或左心室舒张功能不全（left ventricular diastolic dysfunction，LVDD）的评估以及预后和疗效的预测。

1.心功能参数自动评估：超声心功能参数自动评估已在大多数的商用超声设备或美国食品药品监督管理局（Food and Drug Administration，FDA）批准的人工智能软件中实现^［5］，在高质量图像中超声人工智能的可重复性及准确性能满足临床基本需求。心脏超声人工智能快速评估左心室射血分数（left ventricular ejection fraction，LVEF）、应变以及右心室功能的能力，为实时筛查与诊断心力衰竭患者的心功能奠定基础。美国西达赛奈医疗中心的Ouyang^［6］团队开发了开源人工智能模型EchoNet-Dynamic，该模型以二维经胸心尖四腔切面的超声心动图视频为输入变量，可实时评估LVEF，在一项盲法、随机非劣效性临床试验中，显示心脏病专家无法区分该人工智能模型（盲法指数0.088）与超声医师的初始评估结果，人工智能对LVEF的初始评估并不亚于超声医师的评估^［7］。随着人工智能算法的不断进步与更新，Akan等^［8］利用公开数据集（EchoNet-Dynamic）训练了全新的端到端DL模型（ViViEchoformer），该模型能实现准确、全自动的LVEF预测（平均绝对误差为6.14%）。2024年，Ouyang团队又开源了DL左心室应变模型，与人类测量相比，该模型的测量结果具有更低的变异性和更高的一致性^［9］。类似的， Salte等^［10-11］的研究也表明DL提高了心脏超声中左心室应变评估的精确度和可重复性。在右心室功能评估方面， Genovese等^［12］在56例患者中探究了商用ML软件（3DAutoRV）自动评估右心室体积和射血分数的性能，与心脏磁共振测量的参考值相比，即使68%的患者需要在自动处理后进行心内膜轮廓手动调整，快速的最小调整也可获得相当准确的测量结果。

2. HFpEF或LVDD评估：HFpEF或LVDD的诊断具有挑战性，超声人工智能可助力成人快速筛查、精准诊断HFpEF或LVDD；同时利用人工智能聚类分析的方法，也可探索HFpEF或LVDD的不同临床表型与预后的关系，以加强对该疾病的认识。Qu等^［13］开发了一种端到端FFANet模型来简化舒张功能的评估，该模型的输入变量仅为心尖四腔切面超声图像数据，不通过计算基本参数来实现自动评估舒张功能，内部验证中与SOTA（state of the arts，指一类研究任务中，当前最好/最先进的模型）方法比较，取得了最高的准确性0.897和ROC曲线下面积 0.922。英国Ultromics公司的研究人员Akerman等^［14］基于单个经胸心尖四腔超声心动图视频开发了三维卷积神经网络人工智能 HFpEF模型，该模型输出结果为HFpEF、无HFpEF或无法诊断（高度不确定），与临床评分（HFA-PEFF评分和H2FPEF评分）相比，模型对HFpEF患者具有出色的区分和再分类能力，测试集ROC曲线下面积为0.95，与根据现有临床评分对患者进行正确分类的比例相比，该模型最多可提高6/20。Sengupta团队^［15-16］开发了一种整合9项超声心动图参数的深度神经网络DeepNN模型，用于预测HFpEF患者中的LVDD风险表型：高风险表型与低风险表型。与低风险表型组相比，预测的高风险表型在A/B期和C/D期的心力衰竭发生率和死亡率均增加。Carluccio等^［17］在864例窦性心律的心力衰竭患者中整合美国超声心动图协会（American Society of Echocardiography，ASE）/欧洲心血管成像协会（European Association of Cardiovascular Imaging，EACVI）相关指南推荐参数（E速度、E/A、平均e'、左心房容积指数和三尖瓣反流速度）和左心房峰值纵向应变，应用ML聚类分析确定了3种不同的超声LVDD表型，外部验证表明无论射血分数如何，预测结局方面基于ML聚类的分类略优于基于ASE/EACVI指南的分类（C指数0.80 vs 0.78，P=0.093）。

3.预测预后与疗效：心力衰竭心血管事件预测系统目前大多是临床资料及影像学数据组合构建的评分系统，与现有评分系统比较，人工智能或可更高效、准确地进行预后预测。英国Ultromics公司研发了第二个版本的人工智能HFpEF模型来预测心力衰竭的临床结局^［18］。与阴性结果组相比，人工智能 HFpEF模型预测阳性结果组和不确定组有更高的心力衰竭再入院风险和心源性死亡风险。Akshay等^［19］使用DL模型ResNet来预测心力衰竭患者全因死亡率，该模型以胸骨旁左心室长轴切面心脏超声视频为输入变量，在外部测试中，人工智能模型预测1、3和5年全因死亡率的ROC曲线下面积分别为82%、82%和78%，表明超声人工智能可以对心力衰竭患者全因死亡率提供良好的预测。

心脏再同步化治疗（cardiac resynchronization therapy，CRT）是慢性心力衰竭的有效治疗手段之一，但约30%的患者对CRT反应性差。Nazar等^［20］系统评价了人工智能模型在预测CRT反应性和患者表型方面的文献资料，与基于指南的CRT反应预测准确性70%相比，在＞100例患者的队列中训练的人工智能监督学习模型在超声心动图对CRT反应性预测方面实现了高达85%的准确性，同时人工智能无监督学习模型也可对符合CRT植入的患者进行表型分析并预测潜在反应者。然而，这些发现必须在随机对照试验中得到验证。

（二）超声人工智能在成人瓣膜病诊疗中的应用及进展

1.瓣膜狭窄评估：主动脉狭窄是老年人常见的狭窄性瓣膜疾病，超声评估主动脉狭窄常需要多切面多参数评估，对医师技术能力及知识储备要求高，人工智能的应用可以最大限度地减少不同观察者间变异性并节省医师人工测量时间。Krishna等^［21］在256例包括不同主动脉狭窄严重程度的患者中，使用人工神经网络密切模拟了医师对主动脉狭窄严重程度判定的7个相关二维和多普勒参数（主动脉瓣峰值速度、平均压力梯度、经连续性方程获得的主动脉瓣面积、每搏输出量指数、左心室流出道速度-时间积分、主动脉瓣速度-时间积分和左心室流出道直径）的自动测量，人工智能测量值与训练有素的超声心动图医师测量值非常吻合。Holste等^［22］报告了一种只需经胸超声心动图的二维胸骨旁长轴切面视频（无需多普勒成像）即可识别严重主动脉狭窄的DL模型，该模型适用于床旁超声检查，在不同时间的外部测试队列中检测严重主动脉狭窄时，其ROC曲线下面积为0.978，在不同国家的测试队列中也能保持其诊断性能（加利福尼亚州队列ROC曲线下面积为0.952、新英格兰队列ROC曲线下面积为0.942），研究表明人工智能具有即时筛查严重主动脉狭窄的潜在实用性。

严重主动脉狭窄患者具有异质性的临床表现，这取决于疾病进展和合并症，ML聚类分析或可从全新的角度获知严重主动脉狭窄患者中观察到的复杂临床表现。Lachmann等^［23］对366例行经导管主动脉瓣置换术的严重主动脉狭窄患者的超声心动图和右心导管插入术的数据进行ML聚类分析，该分析揭示了 4 种不同的表型，其中3类和4类患者表现出更高的两年死亡率，同时也证明了与高肺动脉压相比，左右心形态结构的改变也是主动脉狭窄患者经导管主动脉瓣置换术后预后不良的敏感指标。

2.瓣膜反流评估：二尖瓣反流是成人常见的反流性心脏瓣膜病之一，准确评估二尖瓣反流分类与严重程度影响患者的临床干预决策。Vafaeezadeh等^［24］使用DL模型对二尖瓣形态进行Carpentier分类，该模型输入变量为胸骨旁左心室长轴和心尖四腔切面心脏超声图像，在测试数据集实现了80%的准确性，表明心脏超声人工智能对二尖瓣形态进行快速精确分类的潜在可行性。Long等^［25］开发了一种端到端DL 模型以分类二尖瓣反流严重程度，该模型在内部测试集（准确性：82%；κ=0.84；评估中度以上二尖瓣反流的ROC曲线下面积：0.98）和外部测试集（准确性：79%；κ=0.80；评估中度以上二尖瓣反流的ROC曲线下面积：0.98）的二尖瓣反流分类方面均具有较高的性能，但大多数错误分类分歧（内部测试数据集错误分类中的63%和外部测试数据集错误分类中的66%）发生在无/微量和轻度二尖瓣反流之间，且在偏心性二尖瓣反流病例中性能略低。

主动脉反流在成人反流性心脏瓣膜病中也较常见。Kim等^［26］使用监督的对比学习方法（一种ML方法），通过输入多切面彩色多普勒超声视频数据诊断主动脉瓣反流，与SOTA模型相比，该方法内部测试时主动脉瓣反流的诊断准确性有显著提高（准确性：83.3%，精确率：86.4%，召回率：82.2%，F1值：84.2%），但该模型性能仍需更进一步的外部测试。Cheng等^［27］利用DL可识别图像中人类不可预见的特征的特点，从输入的心尖四腔超声视频数据中自动检测左心室功能受损和主动脉反流，该模型能够检测到71%的中度以上程度的主动脉反流，但仅能检测到25%的轻度主动脉反流，研究表明人工智能模型性能需进一步提升以降低误分类率。

成人心脏瓣膜疾病的多任务超声人工智能模型，不同于传统的单一特定任务的模型，可以筛查多种心脏瓣膜疾病并量化严重程度，通过自动化提高临床工作流程的效率。Yang等^［28］开发了一种输入变量为DICOM视频（B型、彩色多普勒和连续多普勒）的DL模型，该模型自动筛查二尖瓣狭窄、二尖瓣反流、主动脉狭窄和主动脉反流并定量关键参数以量化程度，在前瞻性测试数据集中，该模型的疾病分类准确性很高，评估二尖瓣狭窄、二尖瓣反流、主动脉狭窄和主动脉反流的ROC曲线下面积分别为0.99、0.88、0.97、0.90，而且DL算法对关键参数量化的准确性基本在正常临床实践的范围之内。

3.瓣膜病随访、预后预测和疗效评估：轻中度的主动脉狭窄患者有进展为严重瓣膜狭窄的可能，然而对于超声心动图最佳随访间隔时间目前证据有限，使用人工智能或可优化主动脉狭窄患者的超声心动图监测周期。Sánchez-Puente等^［29］基于10 个变量开发的ML模型，包括主动脉流速峰值、平均主动脉速度、主动脉速度时间积分、年龄、左心室质量、二尖瓣E波减速斜率、左心室射血分数、左心室每搏输出量、平均左心室流出道速度和左心室舒张末期容积等，在外部测试队列中，该模型预测轻或中度主动脉狭窄在1、2 和3年内进展为重度主动脉狭窄的ROC曲线下面积分别为0.75、0.85、0.85，同时ML能优化主动脉狭窄的超声心动图随访计划，与欧洲指南建议中轻中度主动脉狭窄每年随访一次的频次比较，ML模型每年减少了49%的不必要的超声心动图检查。

继发性二尖瓣反流若合并心力衰竭对生活质量以及因心力衰竭再住院和死亡率有相当大的影响，人工智能可揭示继发性二尖瓣反流的异质性并预测亚组之间预后的差异，有助于提供患者个性化的风险分层。Heitzinger等^［30］在一项包括整个心力衰竭疾病谱（射血分数保留型、中间型、降低型）的1317例严重继发性二尖瓣反流患者的观察性研究中，提取所有患者的临床、超声心动图和实验室数据，使用ML确定了 8 个不同的亚组，这些亚组在长期生存方面存在显著差异，其中第7亚组（年龄≤66岁、血红蛋白＞127 g/L 和白蛋白＞40.6 g/L）生存率最高；第5亚组（年龄＞68岁，血清白蛋白≤40.6 g/L和N-末端脑利钠肽前体＞9750 pg/ml）的死亡风险率较高（风险比：20.38）。

重度二尖瓣反流患者行二尖瓣置换或修复成形术或二尖瓣经导管边缘到边缘修复术（mitral valve transcatheter edge-to-edge repair，M-TEER）的预后评估取决于各种危险因素，其预后风险分层在重度二尖瓣反流患者治疗决策选择过程中至关重要，人工智能或可为重度二尖瓣反流患者行手术或M-TEER后的死亡风险预测提供全新的思路。Hausleiter等^［31］开发和验证了人工智能衍生的风险评分（EuroSMR评分），以预测接受M-TEER的继发性二尖瓣反流患者的 1 年随访结果（生存或生存+临床改善），EuroSMR风险评分基于临床、超声心动图、实验室和药物等18项参数，在1年随访中，EuroSMR风险评分最高的前5%患者的死亡率为72.7%，死亡或缺乏临床改善的事件发生率为83.2%。Kwak等^［32］在1521例接受二尖瓣手术的重度退行性二尖瓣反流患者（70%为训练集，30%为测试集）中构建随机生存森林模型，开发了一种简单的评分系统来对二尖瓣修复术或置换术后3年的死亡风险进行分层。与改良的二尖瓣反流国际数据库评分相比，二尖瓣修复术或置换术评分系统具有更高的可预测性（3年C指数0.803 vs 0.750）。

（三）超声人工智能在成人冠心病诊疗中的应用及进展

超声人工智能在成人冠心病中可用于疾病诊断以及再灌注评估，涉及多种心脏超声成像技术，主要包括常规超声图像识别冠心病患者局部室壁运动异常^［33-34］以及区别冠心病与应激性心肌病^［35］、心肌声学造影识别梗死区域^［36］和预测血运重建后的心肌恢复^［37］、负荷超声心动图诊断冠心病^［38］等。

冠心病患者的缺血心肌出现局部室壁运动异常是超声心动图最早的、可靠的发现，传统的局部室壁运动异常评估是基于对超声心动图视频中的心内膜偏移和心肌增厚的目视判读，评估的准确性依赖于超声医师的经验，且存在一定的观察者间变异。在具有良好图像质量的超声心动图检查中，人工智能可以使用来自超声视频的时间和空间信息自动识别局部室壁运动异常， Huang等^［33］通过经胸超声心动图开发的DL模型能自动识别局部室壁运动异常，模型在内部交叉验证和外部测试中均能准确识别出局部室壁运动异常，ROC曲线下面积分别为0.912和0.891。Slivnick等^［34］开发的DL模型通过超声视频检测局部室壁运动异常的性能可与专家相媲美，并且优于大多数新手。局部室壁运动异常也可能出现在应激性心肌病中，这是由于应激性心肌病是一种以左心室的短暂节段性收缩功能障碍为特征的综合征，可类似于心肌梗死。为探索人工智能在区别急性心肌梗死与应激性心肌病方面的价值， Laumer等^［35］对比了超声DL模型与4名专家之间的诊断性能，在独立测试集及亚组分析中人工智能的准确性均优于4名专家。

心肌声学造影目前在临床实践中广泛用于检测心肌梗死区域以及再灌注评估，但使用心肌声学造影进行临床评估具有一定主观性，高度依赖操作者且耗时。为探索心肌声学造影中使用人工智能能否进行自动识别心肌梗死以提高诊断性能和减少临床医师的工作量，Guo等^［36］开发了DL模型来识别心肌声学造影图像中的心肌梗死区域，该模型在两个不同的测试集上分别实现了99.6%和98.7%的准确性，人工智能可能有助于临床医师快速准确地评估心肌声学造影的心肌梗死区域。在人工智能预测接受血运重建的冠心病患者心肌功能的恢复情况方面，Huang等^［37］前瞻性招募了55例慢性冠心病患者，提取“爆破”后第五个心动周期收缩末期心肌声学造影图像中存在节段运动障碍的心肌影像组学特征，结合影像组学特征和心肌声学造影参数构建的ML模型，能准确地预测心肌恢复情况（验证集ROC曲线下面积：0.821）。

负荷超声心动图是稳定型心绞痛患者的Ⅰ类推荐检查技术^［39］。Upton等^［38］开发了一种自动图像处理ML模型来分析负荷超声心动图以识别严重冠心病患者，独立测试时模型的ROC曲线下面积为0.927。同时Upton等也评估了人工智能分类对临床实践的影响，当临床医师评估负荷超声心动图图像参考人工智能分类时，可以提高准确性、观察者间一致性和观察者信心。

（四）超声人工智能在成人心肌病诊疗中的应用及进展

心肌病是一类病因和临床表现均比较复杂的疾病，超声心动图是心肌病诊断及随访的首选检查方法，超声人工智能在成人心肌病病因分类^［40-42］、致左心室肥厚相关病变鉴别^［43-46］以及预测肥厚型心肌病阳性基因^［47］和预后^［48］等方面具有潜在价值。

心肌病病因繁杂，为区别心脏淀粉样变与缩窄性心包炎，Chao等^［40］在381例患者中开发、验证和测试了DL模型（ResNet50），该模型区分两者的ROC曲线下面积为0.97。美国耶鲁大学医学院的 Oikonomou等^［41］开发并验证了一种人工智能管道，可以使用床旁超声对肥厚型心肌病与转甲状腺素蛋白心脏淀粉样变进行机会性筛查。Duffy等^［42］也成功应用DL的方法准确区分了肥厚型心肌病和心脏淀粉样变患者。

部分心肌病（肥厚型心肌病、心脏淀粉样变、Fabry病等）常表现出左心室肥厚，但可导致左心室肥厚的病理状态，包括但不限于高血压性心脏病、主动脉瓣狭窄、尿毒症心肌病。不同的学者使用不同的算法与模型对人工智能在成人左心室肥厚常见病因鉴别中的价值进行了研究^［43-46］，其中Yu等^［46］认为基于超声人工智能的心肌纹理分析可能是有助于区分左心室肥厚病因（肥厚型心肌病、高血压性心脏病和尿毒症心肌病）的潜在方法。

基因检测为肥厚型心肌病患者的家系筛查、诊断和预后提供了重要依据，因此阳性基因表型肥厚型心肌病患者的识别非常重要，超声人工智能为预测肥厚型心肌病患者阳性基因型的准确性提供了特定的临床价值。Morita等^［47］在99例接受基因检测的肥厚型心肌病成人患者中（其中45例患者的基因型呈阳性），建立了基于心脏超声图像的DL模型和传统模型相结合的新模型，与传统模型（Mayo评分和Toronto评分）相比，新模型在预测肥厚型心肌病患者的阳性基因型方面表现出更高的准确性，净重分类也显著改善。

超声人工智能在肥厚型心肌病患者的预后评估中也有潜在应用价值。Rhee等^［48］对韩国两家三级医院的2111例肥厚型心肌病患者进行随访（中位随访时间4.0年），共纳入25个临床和超声心动图特征，对4种不同的ML模型区分主要心血管事件的能力进行比较，SHAP分析识别出左心房直径和高血压是影响所有主要心血管事件结局的重要变量，外部验证时ML模型（logistic回归模型）判别主要心血管事件的能力仍较为优异（ROC曲线下面积：0.768）。

（五）超声人工智能在成人心房颤动诊疗中的应用及进展

心房颤动是最常见的心律失常之一，超声人工智能在成人心房颤动诊疗中的机会性筛查^［49-50］、新发心力衰竭风险评估^［51］、左心耳血栓预测^［52］、消融治疗方式选择^［53］等方面具有潜在应用价值。

Yuan等^［49］的研究表明，基于经胸超声心动图的DL模型可以预测活动性或隐匿性心房颤动患者，并可用于机会性心房颤动筛查。Ming等^［50］使用ML来预测来源不明的栓塞性卒中患者中的心房颤动，研究将临床和超声心动图数据整合到ML模型中，在157例诊断为来源不明的栓塞性卒中并接受植入式心脏循环记录仪评估的患者中，该模型以中等准确性（支持向量机算法ROC曲线下面积：0.736 ～ 0.737）预测了来源不明的栓塞性卒中患者中的心房颤动。

心房颤动可以增加心力衰竭的风险，在中位随访时间4.4年的4394例心房颤动患者中， Hamatani等^［51］构建和验证了心房颤动患者新发心力衰竭风险的ML（随机森林）预测模型，该模型使用7个变量（年龄、心力衰竭病史、肌酐清除率、X线心胸比值、LVEF、左心室收缩末径和左心室不同步），具有较高的预测性能（ROC曲线下面积：0.75），并且显著优于Framingham心力衰竭风险模型。

心房颤动患者通常在导管消融或心脏复律之前需进行经食管超声心动图排除左心耳血栓的存在。Pieszko等^［52］开发并测试了一种ML模型以预测长期口服抗凝药患者左心耳血栓的发生，该模型输入变量纳入临床和经胸超声心动图测量数据，在开发队列中定义允许99%的阴性预测值为决策阈值，结果显示该模型可以安全地豁免验证队列中40%的患者进行经食管超声心动图检查。

心房颤动不同亚型间不同的消融术式术后窦性心律转复的成功率不同，黄凤誉等^［53］通过无监督式的聚类分析了59个不同的变量特征，最终确定了5种临床特征显著不同的心房颤动亚型，而且不同亚型所适合的消融术策略不同。

（六）超声人工智能在成人肺动脉高压诊疗中的应用及进展

肺动脉高压病因复杂且临床表现无特异性，常需要有创的右心导管检查进行确诊，临床上常用的无创肺动脉压评估常采用超声心动图测量三尖瓣反流法估测肺动脉收缩压或通过肺动脉瓣反流估测肺动脉平均压或舒张压。超声人工智能在成人肺动脉高压诊疗中预测平均肺动脉压^［54-56］、疾病诊断以及病因分类^［57-59］等方面具有潜在的应用价值。

重度三尖瓣反流患者的肺动脉高压常被低估，Fortmeier等^［54-55］在经右心导管检查确认肺动脉高压的重度三尖瓣反流队列中构建和验证了一种ML模型（极端梯度提升算法XGBoost），该模型使用经胸超声心动图参数作为输入变量，可靠地预测了平均肺动脉压（R=0.96），并且ML支持的右心室-肺动脉偶联评估可以细化经导管三尖瓣介入治疗风险，而无需进行右心导管检查。而Matsunaga等^［56］则构建和验证了一种能准确预测慢性血栓栓塞性肺动脉高压患者平均肺动脉压的ML模型，且提出线性回归模型是预测最准确的ML方法。

超声人工智能在成人肺动脉高压的诊断和分型中也表现出较好的临床价值。Anand等^［57］构建验证和测试了一种无需纳入三尖瓣反流最大速度变量的ML模型，该模型根据19项参数预测肺动脉高压，在验证集中该模型对肺动脉高压的诊断具有较高的准确性（ROC曲线下面积：0.83）。Hirata等^［58］在经右心导管检查的885例患者中整合生理参数和超声心动图数据的24个变量构建和验证了一种ML模型，以区分毛细血管前肺动脉高压和毛细血管后肺动脉高压，在独立的前瞻性验证集中该模型的准确性与基于超声心动图指南的方法基本相当（59.4% vs 57.8%，P=0.638）。左心疾病引起的肺动脉高压是常见的肺动脉高压形式， Swinnen等^［59］基于ML随机森林算法对左心疾病引起的肺动脉高压患者进行了无创预测的研究，在外部验证中，该模型具有100%的特异度以及64%的敏感度，并有可能将接受右心导管检查的患者数量降低至原有的1/3或更少。

（七）超声人工智能在其他成人心脏疾病诊疗中的应用

经胸超声心动图可对心包积液进行诊断与半定量评估。Nayak等^［60］训练了一种卷积神经网络模型来检测心包积液，该模型将心尖四腔切面图像和剑突下四腔切面图像作为输入变量，其检测心包积液的ROC曲线下面积为0.95（心尖四腔切面）和0.94（剑突下四腔切面）。Cheng等^［61］则开发了一种端到端的DL管道，实现了从原始超声DICOM视频文件中自动计算心包积液的深度。

经胸右心声学造影是判断是否存在心内分流及肺内分流的重要方法，但具有主观性和检查者对气泡识别的依赖性。Yang等^［62］建立了一种基于经胸右心声学造影图像的卵圆孔未闭ML诊断模型，该模型诊断卵圆孔未闭的性能与超声专家组相似，但明显高于超声住院医师组，可为住院医师诊断卵圆孔未闭提供帮助。Li等^［63］开发了一种人工智能模型以自动评估经胸右心声学造影中右向左分流的程度，该模型提高了住院医师对右向左分流诊断的准确性和效率。

三、小结与展望

超声人工智能在成人心脏疾病诊疗中的研究发展迅猛，尽管在左心功能自动定量领域的发展较为成熟，但心脏超声人工智能整体发展才刚起步，仍有部分心脏疾病领域未涉及（如急性心包炎、心脏压塞、特殊先天性心脏病等），同时心脏超声人工智能仍面临许多挑战。首先，大多数人工智能模型只经过有限的独立验证或测试，人工智能模型应用于与开发模型不同的患者时其性能会恶化，这种现象被称为“数据集偏移”。高质量开放数据库的外部验证能提升人工智能模型性能，改善“数据集偏移现象”，有利于人工智能在真实世界人群中的推广应用。目前只有少数公开的心脏超声数据集，如EchoNet-Dynamic、CAMUS、HMC-QU、EchoNet-LVH、RVENet、TMED-2等，未来应着手建立多中心标准化的大型数据库（如国家超声影像标准数据库）或者选择联邦学习作为另一种数据共享的方法。其次，人工智能的“黑匣子”问题或解释性不足问题制约了其发展，目前已有学者研究使用可解释的方法来说明模型的可解释性，例如Grad-Cam、SHAP、LIME等^［64］。第三，医学人工智能文献报告规范性有待提高，相关文献报告的规范性共识目前已推出部分或正在讨论中，如CONSORT-AI、SPIRIT-AI、TRIPOD+AI、STARD-AI等^［65-66］。第四，关于人工智能用于临床干预的随机对照试验研究较少，同时在真实世界临床工作中将人工智能用作辅助工具时，有必要从以模型独立性能为中心的评估转向以结局为中心的评估^［1］。

尽管仍有许多问题有待进一步解决，但当前利用临床资料、超声图像、报告文本等数据的多模态大模型的蓬勃发展将更全面地开发超声人工智能，引入超声人工智能模型可以大幅提升成人心脏疾病诊疗的准确性及效能，超声人工智能在该领域具有广阔的应用前景。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Rajpurkar P， Lungren MP. The current and future state of AI interpretation of medical images［J］. N Engl J Med， 2023， 388（21）:1981-1990.

2	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.

3	Elias P， Jain SS， Poterucha T， et al. Artificial intelligence for cardiovascular care-part 1: advances: JACC review topic of the week［J］. J Am Coll Cardiol， 2024， 83（24）: 2472-2486.

4	Ouyang D， Carter RE， Pellikka PA. Machine learning in imaging: what is JASE looking for？［J］. J Am Soc Echocardiogr， 2024， 37（3）: 273-275.

5	Zhu S， Gilbert M， Chetty I， et al. The 2021 landscape of FDA-approved artificial intelligence/machine learning-enabled medical devices: An analysis of the characteristics and intended use［J］. Int J Med Inform， 2022，165: 104828.

6	Ouyang D， He B， Ghorbani A， et al. Video-based AI for beat-to-beat assessment of cardiac function［J］. Nature， 2020， 580（7802）: 252-256.

7	He B， Kwan AC， Cho JH， et al. Blinded， randomized trial of sonographer versus AI cardiac function assessment［J］. Nature， 2023，616（7957）: 520-524.

8	Akan T， Alp S， Bhuiyan MS， et al. ViViEchoformer: deep video regressor predicting ejection fraction［J］. medRxiv， 2024: 2024.6.21.24309327.

9	Kwan AC， Chang EW， Jain I， et al. Deep learning-derived myocardial strain［J］. JACC Cardiovasc Imaging， 2024， 17（7）: 715-725.

10	Salte IM， Østvik 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.

11	Salte IM， Østvik A， Olaisen SH， et al. Deep learning for improved precision and reproducibility of left ventricular strain in echocardiography:a test-retest study［J］. J Am Soc Echocardiogr， 2023， 36（7）: 788-799.

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

13	Qu MJ， Wang S， Wang Y， et al. FFANet-full frequency attention net for automatic diastolic function assessment［J］. Biomed Signal Proces 2023， 86: 105124.

14	Akerman AP， Porumb M， Scott CG， et al. Automated echocardiographic detection of heart failure with preserved ejection fraction using artificial intelligence［J］. JACC Adv， 2023， 2（6）: 100452.

15	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.

16	Shah R， Tokodi M， Jamthikar A， et al. A deep patient-similarity learning framework for the assessment of diastolic dysfunction in elderly patients［J］. Eur Heart J Cardiovasc Imaging， 2024， 25（7）: 937-946.

17	Carluccio E， Cameli M， Rossi A， et al. Left atrial strain in the assessment of diastolic function in heart failure: a machine learning approach［J］. Circ Cardiovasc Imaging， 2023， 16（2）: e014605.

18	Cassianni C， Huntley GD， Castrichini M， et al. Automated echocardiographic detection of HFpEF using artificial intelligence is associated with cardiac mortality and heart failure hospitalization［J］. J Am Soc Echocardiogr， 2024， 37（9）: 914-916.

19	Valsaraj A， Kalmady SV， Sharma V， et al. Development and validation of echocardiography-based machine-learning models to predict mortality［J］. EBioMedicine， 2023， 90: 104479.

20	Nazar W， Szymanowicz S， Nazar K， et al. Artificial intelligence models in prediction of response to cardiac resynchronization therapy:a systematic review［J］. Heart Fail Rev， 2023， 29（1）: 133-150.

21	Krishna H， Desai K， Slostad B， et al. Fully automated artificial intelligence assessment of aortic stenosis by echocardiography［J］. J Am Soc Echocardiogr， 2023， 36（7）: 769-777.

22	Holste G， Oikonomou EK， Mortazavi BJ， et al. Severe aortic stenosis detection by deep learning applied to echocardiography［J］. Eur Heart J，2023， 44（43）: 4592-4604.

23	Lachmann M， Rippen E， Schuster T， et al. Subphenotyping of patients with aortic stenosis by unsupervised agglomerative clustering of echocardiographic and hemodynamic data［J］. JACC: Cardiovasc Interv， 2021， 14（19）: 2127-2140.

24	Vafaeezadeh M， Behnam H， Hosseinsabet A， et al. Automatic morphological classification of mitral valve diseases in echocardiographic images based on explainable deep learning methods［J］. Int J Comput Assist Radiol Surg， 2022， 17（2）: 413-425.

25	Long A， Haggerty CM， Finer J， et al. Deep learning for echo analysis，tracking， and evaluation of mitral regurgitation （DELINEATE-MR）［J］.Circulation， 2024， 150（12）: 911-922.

26	Kim S， Ren H， Charton J， et al. Assessment of valve regurgitation severity via contrastive learning and multi-view video integration［J］.Phys Med Biol， 2024， 69（4）.

27	Cheng L， Bosch PBJ， Hofman RFH， et al. Revealing unforeseen diagnostic image features with deep learning by detecting cardiovascular diseases from apical 4-chamber ultrasounds［J］. J Am Heart Assoc， 2022，11（16）: e024168.

28	Yang F， Chen X， Lin X， et al. Automated analysis of Doppler echocardiographic videos as a screening tool for valvular heart diseases［J］. JACC Cardiovasc Imaging， 2022， 15（4）: 551-563.

29	Sánchez-Puente A， Dorado-Díaz PI， Sampedro-Gómez J， et al.Machine learning to optimize the echocardiographic follow-up of aortic stenosis［J］. JACC Cardiovasc Imaging， 2023， 16（6）: 733-744.

30	Heitzinger G， Spinka G， Prausmüller S， et al. Tailored risk stratification in severe mitral regurgitation and heart failure using supervised learning techniques［J］. JACC Adv， 2022， 1（3）: 100063.

31	Hausleiter J， Lachmann M， Stolz L， et al. Artificial intelligence-derived risk score for mortality in secondary mitral regurgitation treated by transcatheter edge-to-edge repair: the EuroSMR risk score［J］. Eur Heart J， 2024， 45（11）: 922-936.

32	Kwak S， Lee SA， Lim J， et al. Data-driven mortality risk prediction of severe degenerative mitral regurgitation patients undergoing mitral valve surgery［J］. Eur Heart J-Cardiovasc Imaging， 2023， 24（9）: 1156-1165.

33	Huang MS， Wang CS， Chiang JH， et al. Automated recognition of regional wall motion abnormalities through deep neural network interpretation of transthoracic echocardiography［J］. Circulation， 2020，142（16）: 1510-1520.

34	Slivnick JA， Gessert NT， Cotella JI， et al. Echocardiographic detection of regional wall motion abnormalities using artificial intelligence compared to human readers［J］. J Am Soc Echocardiogr， 2024， 37（7）:655-663.

35	Laumer F， Di Vece D， Cammann VL， et al. Assessment of artificial intelligence in echocardiography diagnostics in differentiating takotsubo syndrome from myocardial infarction［J］. JAMA Cardiol， 2022， 7（5）: 494.

36	Guo Y， Du GQ， Shen WQ， et al. Automatic myocardial infarction detection in contrast echocardiography based on polar residual network［J］. Comput Methods Programs Biomed， 2021， 198: 105791.

37	Huang D， Yang X， Ruan H， et al. Enhancing prediction of myocardial recovery after coronary revascularization: integrating radiomics from myocardial contrast echocardiography with machine learning［J］. Int J Gen Med， 2024， 17: 2539-2555.

38	Upton R， Mumith A， Beqiri A， et al. Automated echocardiographic detection of severe coronary artery disease using artificial intelligence［J］.JACC Cardiovasc Imaging， 2022， 15（5）: 715-727.

39	Gulati M， Levy PD， Mukherjee D， et al. 2021 AHA/ACC/ASE/CHEST/SAEM/SCCT/SCMR Guideline for the Evaluation and Diagnosis of Chest Pain: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines［J］. Circulation， 2021， 144（22）: e368-e454.

40	Chao CJ， Jeong J， Arsanjani R， et al. Echocardiography-based deep learning model to differentiate constrictive pericarditis and restrictive cardiomyopathy［J］. JACC Cardiovasc Imaging， 2024， 17（4）: 349-360.

41	Oikonomou EK， Vaid A， Holste G， et al. Artificial intelligenceguided detection of under-recognized cardiomyopathies on pointof-care cardiac ultrasound: a multi-center study［J］. medRxiv， 2024:2024.3.10.24304044.

42	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.

43	Hwang IC， Choi D， Choi YJ， et al. Differential diagnosis of common etiologies of left ventricular hypertrophy using a hybrid CNN-LSTM model［J］. Sci Rep， 2022， 12（1）: 20998.

44	Xu Z， Yu F， Zhang B， et al. Intelligent diagnosis of left ventricular hypertrophy using transthoracic echocardiography videos［J］. Comput Methods Programs Biomed， 2022， 226: 107182.

45	Farhad M， Masud MM， Beg A， et al. A data-efficient zero-shot and few-shot Siamese approach for automated diagnosis of left ventricular hypertrophy［J］. Comput Biol Med， 2023， 163: 107129.

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

47	Morita SX， Kusunose K， Haga A， et al. Deep learning analysis of echocardiographic images to predict positive genotype in patients with hypertrophic cardiomyopathy［J］. Front Cardiovasc Med， 2021， 8:669860.

48	Rhee TM， Ko YK， Kim HK， et al. Machine learning-based discrimination of cardiovascular outcomes in patients with hypertrophic cardiomyopathy［J］.JACC Asia， 2024， 4（5）: 375-386.

49	Yuan N， Stein NR， Duffy G， et al. Deep learning evaluation of echocardiograms to identify occult atrial fibrillation［J］. NPJ Digit Med， 2024， 7（1）: 96.

50	Ming C， Lee GJW， Teo YH， et al. Machine learning modeling to predict atrial fibrillation detection in embolic stroke of undetermined source patients［J］. J Pers Med， 2024， 14（5）: 534.

51	Hamatani Y， Nishi H， Iguchi M， et al. Machine learning risk prediction for incident heart failure in patients with atrial fibrillation［J］. JACC Asia， 2022， 2（6）: 706-716.

52	Pieszko K， Hiczkiewicz J， Łojewska K， et al. Artificial intelligence in detecting left atrial appendage thrombus by transthoracic echocardiography and clinical features: the left atrial thrombus on transoesophageal echocardiography （LATTEE） registry［J］. Eur Heart J，2024， 45（1）: 32-41.

53	黄凤誉，钟玥，张然，等. 房颤射频消融患者的聚类分析及消融成功率评价［J］. 四川大学学报（医学版）， 2024， 55（3）: 687-692.

54	Fortmeier V， Lachmann M， Körber MI， et al. Solving the pulmonary hypertension paradox in patients with severe tricuspid regurgitation by employing artificial intelligence［J］. JACC Cardiovasc Interv， 2022，15（4）: 381-394.

55	Fortmeier V， Lachmann M， Stolz L， et al. Artificial intelligenceenabled assessment of right ventricular to pulmonary artery coupling in patients undergoing transcatheter tricuspid valve intervention［J］.Eur Heart J Cardiovasc Imaging， 2024， 25（4）: 558-572.

56	Matsunaga T， Kono A， Nishio M， et al. Development and web deployment of prediction model for pulmonary arterial pressure in chronic thromboembolic pulmonary hypertension using machine learning［J］. PLoS One， 2024， 19（4）: e0300716.

57	Anand V， Weston AD， Scott CG， et al. Machine learning for diagnosis of pulmonary hypertension by echocardiography［J］. Mayo Clin Proc，2024， 99（2）: 260-270.

58	Hirata Y， Tsuji T， Kotoku J， et al. Echocardiographic artificial intelligence for pulmonary hypertension classification［J］. Heart， 2024，110（8）: 586-593.

59	Swinnen K， Verstraete K， Baratto C， et al. Machine learning to differentiate pulmonary hypertension due to left heart disease from pulmonary arterial hypertension［J］. ERJ Open Res， 2023， 9（5）: 00229-2023.

60	Nayak A， Ouyang D， Ashley EA. A deep learning algorithm accurately detects pericardial effusion on echocardiography［J］. J Am Coll Cardiol，2020， 75（11_Supplement_1）: 1563.

61	Cheng CY， Wu CC， Chen HC， et al. Development and validation of a deep learning pipeline to measure pericardial effusion in echocardiography［J］. Front Cardiovasc Med， 2023， 10: 1195235.

62	Yang J， Zhang S， Zhou Y， et al. The efficiency of a machine learning approach based on spatio-temporal information in the detection of patent foramen ovale from contrast transthoracic echocardiography Images: a primary study［J］. Biomed Signal Process Control， 2023， 84:104813.

63	Li Y， Chen H， Yang X， et al. An artificial intelligence-driven approach for automatic evaluation of right-to-left shunt grades in salinecontrasted transthoracic echocardiography［J］. Ultrasound Med Biol，2024， 50（8）: 1134-1142.

64	Marcus E， Teuwen J. Artificial intelligence and explanation: how， why，and when to explain black boxes［J］. Eur J Radiol， 2024， 173: 111393.

65	Collins GS， Moons KGM， Dhiman P， et al. Tripod+AI statement:updated guidance for reporting clinical prediction models that use regression or machine learning methods［J］. BMJ， 2024， 385: e078378.

66	Campbell JP， Lee AY， Abràmoff M， et al. Reporting guidelines for artificial intelligence in medical research［J］. Ophthalmology， 2020，127（12）: 1596-1599.

Options

文章导航

模态框（Modal）标题