人工智能在心血管超声应用中的现状和前景

原标题：人工智能在心血管超声应用中的现状和前景

大数据是现代医学模式的重要特征。在这种医疗模式下，要求医疗人员在确保患者安全和健康的同时追求效率的最大化[1]。对于高分辨率的医学影像成像，集中体现在医务人员快速、准确、有效地解释影像数据（包括肉眼可见和不可见），挖掘利于诊断和治疗的有用信息。在此背景下，人工智能（artificial intelligence，AI）应运而生，它为促进图像采集、测量、报告和随后的临床路径以及影像和临床数据的整合提供了有效手段[2]。心血管影像的精确性成为AI临床应用中的主要领域之一，本文对此作一综述。

1 人工智能及其在医学上的应用

2 人工智能的机器学习法

模型训练是所有ML类型的共同过程，它是利用模型分析所提供的数据中的各种特性来学习如何生成输出标签的过程[5]。如在超声心动图中，一个模型可以分析各种特征，如左心室壁厚度和左心室射血分数，以确定患者是否具有特定的条件。然而，在分析中包含不相关的特征可能会导致模型过度拟合，从而在呈现新数据集时降低其准确性。这强调了拥有一个能够代表总体的训练数据集的重要性。数据集的质量对于最终ML模型的质量至关重要。尽管ML算法可以使用小数据集或大数据集进行训练，但大数据集可以最大限度地提高训练算法的内部和外部有效性，降低过度拟合的风险。正确模型的选择通常取 决于操作员的专业知识、数据集的性质和最终人工智能系统的目的。

3 人工智能在心血管超声的应用

心血管成像领域，包括超声心动图、心脏计算机断层扫描、心脏磁共振成像和核成像，具有复杂的成像技术和高容量的成像数据，处于精准心脏病学革命的前沿。然而，在基于AI的临床转化方法中，心血管成像一直落后于肿瘤学等其他领域。人工智能在超声心动图中的应用包括自动心室定量和射血分数计算、应变测量和瓣膜形态及功能评估以及ML在心脏疾病自动诊断中的应用。

3.1 心室定量和EF自动化。自动心室量化和EF计算的算法旨在提供准确、快速和可重复的心尖视图分类、解剖标志检测、心室壁分割和心内膜跟踪。有研究[6]比较了AI软件自动测量（AutoEF）和手工追踪双平面Simpson法测量左室EF的准确性，并与心脏MRI进行了比较。结果表明AutoEF与手动双平面Simpson法测得的EF相关性较好， 且与MRI相关性良好，但AutoEF低估了左室舒张末期容积（EDV）和收缩期末期容积（ESV）。此外，在不同切面，测量的准确性存在差异，以胸骨旁长轴切面的准确性最高，达96%，而在心尖切面时整体精度降低（84%）。腔室定量和左室EF测量的中位数绝对偏差在15%～17%，其中ESV的绝对偏差最小；左房容积和左室EDV被高估。

3.3 心脏瓣膜评估。有学者[12]采用AI软件对二尖瓣几何形状进行测量，测量参数包括二尖瓣环面积、瓣环高度和宽度、瓣叶连合间距、 前后叶长度等。发现相对于常规超声心动图，所有评估的成像参数均获得了更好的观察者间一致性，而且所花费的时间明显较少。Prihadi等[13]研究证实，经食管超声心动图AI软件能够精确地对主动脉瓣结构以及冠状动脉开口进行测量和定位，且与多层螺旋CT的测量结果具有良好的相关性。

4 展 望

在海量医学信息和影像数字化日益积累的现代医学时代，AI和ML为疾病诊断和风险预测等问题提供了新的解决方案。通过AI对超声心动图数据进行预测、建模和精确分析，可以帮助超声医师快速、准确地处理大量心脏超声影像学数据，既有利于应对当前医疗信息数量的急剧增长，又有利于提高处理数据信息的能力。未来，针对AI的研究应关注超声图像数据特征定义及其提取方法的标准化，以确保可推广性和可再现性，促进AI向更加个性化的医疗模式转变。此外，AI系统与远程医疗等软件的集成，将使智能心脏超声诊断系统渗透到资源消耗负担最繁重的地区，提高经济效益。

参考文献：略

超声达摩院是超声医学专业微信平台，平台内容涵盖超声医学专业基础、前沿进展、专家讲座、会议报道、继续教育等。欢迎超声医学相关从业人员关注。返回搜狐，查看更多

责任编辑：