人工智能在二尖瓣反流超声精准诊疗中的应用进展

钟 露 曹 省

瓣膜性心脏病（valvular heart disease，VHD）是临床常见的生理性或病理性异常。随着我国人口老龄化程度加剧，VHD患者数量进一步增加，2021年国家心血管疾病临床医学研究中心调查［1］显示我国VHD 患病率约3.8%，目前约有2500 万VHD 患者，其中二尖瓣反流（mitral regurgitation，MR）约占29%。超声心动图具有操作便捷、价格低廉、应用范围广、无创、无辐射的优势，是诊断MR的首选影像学检查方法，且在近期开展的经导管二尖瓣缘对缘修复术（transcatheter edge-to-edge repair，TEER）中具有重要作用，但在临床诊断中存在超声切面多、分析难度大、随心动周期稳定性和重复性欠佳等不足。在信息网络时代，人工智能（artificial intelligence，AI）迅速发展，其在超声领域中的应用有望提高超声医师的工作效率及诊断准确性。精准诊疗是以个体化医疗为基础，将现代科技手段与传统医学方法相结合，可实现疾病的早期诊断、精准分类、优化治疗策略，且AI可赋能精准诊疗，实现医疗全流程的信息化和智能化。为进一步促进MR规范化诊疗，本文就AI在MR诊断、治疗及预后随访中的应用进展进行综述。

一、AI概述

AI是计算机科学的一个分支，作为一门多学科相互融合的交叉学科，AI可以模拟、扩展人脑思维过程，从而使机器能够胜任一些通常需要人类智能才能完成的复杂工作。机器学习是AI的重要组成部分之一，通过学习、分析训练数据，从中寻找规律，构建算法框架，以实现对数据的分析和预测。深度学习是从机器学习中的神经网络发展出来的新领域，其通过模仿人脑机制来分析数据，具有广阔的应用前景。其中，基于深度学习的卷积神经网络（convolutional neural network，CNN）模型已广泛应用于图像分类、组织分割、目标检测、姿态估计和人脸识别等领域。

AI 与超声心动图结合可以辅助超声医师实现诊断的快速化、准确化，有利于早期诊断疾病、改善患者预后。AI在心脏瓣膜评估方面主要应用于观察瓣膜形态、确定反流或狭窄情况，从而为临床诊疗提供可靠的支持信息，具有独特的优势及广阔的应用前景。

二、AI在MR诊断、病因学分类及严重程度评估中的应用

1.AI在MR诊断中的应用

超声心动图解剖结构的识别与分割是AI 用于MR 超声诊断的基础。在超声心动图的诊断过程中，需要获取多个标准化切面，但由于切面间的相似性、切面内的可变性及噪声的影响，对于经验不足的超声医师而言，准确识别不同切面存在一定困难。基于此，?0?1stvik 等［2］收集了470 例MR 患者的二维超声心动图资料，应用CNN 建立分类模型，同时收集60例患者的三维超声心动图资料用于训练模型，发现该分类模型可预测多达7 种不同的心脏切面，且准确率达98%。另外，来自加利福尼亚大学旧金山分校的研究团队［3］从临床数据库中随机收集了267例不同疾病患者共267 幅超声心动图图像，使用深度学习的方法对静态和动态原始图像进行分类并标记，将15个标准切面作为分类标准，构建自动切面识别模型，发现该模型的识别准确率达97.8%，而超声医师的识别准确率仅70.2%～83.5%。近期研究［4］表明，CNN 在声学造影切面识别中表现良好，原因可能为AI能较好地识别并分割声学造影图像。

左心室分割在心腔自动分割中最常见，可实现射血分数的精准测量和心肌运动的准确评估。左心室自动分割有助于超声医师了解心腔形态和功能的变化，对临床诊断MR 具有重要意义。传统的左心室分割方法主要为边缘检测法和传统机器学习中使用的模型匹配法，此外，还有新兴的基于多尺度信息特征提取的CNN用于婴儿左心室轮廓分析、经食管超声心动图的多腔室自动分割等［5-6］。MR 的精准诊断依赖于标准的超声心动图切面，而AI 可以辅助超声医师获取标准切面、观察心腔变化，为MR 诊疗流程提供支撑。Vafaeezadeh 等［7］基于Carpentier 分型构建了一种可解释的、完全自动化的深度学习模型，用于评估超声心动图中的二尖瓣形态，其准确率达80%。此外，该研究团队还提出了一种准确识别人工二尖瓣的CNN算法，其受试者工作特征（ROC）曲线下面积（AUC）达0.97［8］。另有研究［9］显示应用基于MobileNet 图像分类算法提出的深度学习模型定位二尖瓣的准确率达98%。AI 除常规观察二尖瓣形态外，还可以对较为复杂的解剖参数进行辅助定量检测。研究［10］显示AI 可用于测量二尖瓣瓣环及瓣叶参数，包括瓣环总周长、瓣环面积和高度、瓣叶面积、非平面角、脱垂高度、栓系高度和面积等，且测量结果信度高（α＞0.8）、重复性较好。为评估eSie Valve 自动化软件分析二尖瓣时的观察者间变异性，有研究［11］回顾性分析了接受冠状动脉旁路移植手术患者的超声心动图资料，结果显示自动化二尖瓣瓣环及瓣叶参数测量具有良好的重复性。为满足临床需求，AI 除需具备较高的诊断准确率、良好的重复性外，其辅助诊断所用时间也应少于人工诊断或建模方法。研究［12］报道在缺血性MR 患者经食管三维超声心动图检查中应用AI技术自动分割左心室和二尖瓣，然后进行建模指导MR 外科手术决策时，左心室建模约需8 h，二尖瓣建模约需2 h，一定程度上限制了其临床应用。总之，使用AI分析二尖瓣解剖结构可提高分析结果的准确性，减少人为误差，并可能辅助临床决策，具有较好的应用价值。

2.AI在MR病因学分类中的应用

根据二尖瓣瓣叶反流的病因可将MR 分为器质性MR（degenerative mitral regurgitation，DMR）、功能性MR（functional mitral regurgitation，FMR）及混合性MR。Aquila 等［13］使用eSie Valves 自动化软件验证其分析FMR 和DMR 患者二尖瓣环动力学的可行性，与正常对照组比较，该软件测得中度FMR 患者收缩期和舒张期二尖瓣环尺寸增大，DMR患者收缩期二尖瓣环尺寸减小，差异均有统计学意义（均P＜0.05），表明eSie Valves 自动化软件可以较好地识别不同病因MR 患者的病理生理改变，并可用于选择MR 修复或替换的装置。提示AI 能准确识别不同病因MR 患者的二尖瓣叶装置形态结构和动力学异常，可辅助判定MR病因，具有积极意义。

3.AI在MR严重程度分级中的应用

研究［14］发现，随着有效反流口面积、反流容积、反流分数及缩流颈宽度的增加，FMR 患者的死亡率也显著增加。因此，准确评估MR 严重程度对改善患者预后至关重要。有研究［15］使用CNN 算法评估MR 严重程度，Ⅰ～Ⅳ级的分类准确率分别为90%、87%、81%和91%。另外，基于二维图像的自我监督学习算法在评估MR 严重程度分级方面也有较高的敏感性，该算法可自动识别反流面积最大的一帧图像，并生成相关参数用于评估MR 严重程度，消除了临床实践中人工判定的可变性［16］。Yang 等［17

提醒您：因为《人工智能在二尖瓣反流超声精准诊疗中的应用进展》一文较长还有下一页，点击下面数字可以进行阅读！

《人工智能在二尖瓣反流超声精准诊疗中的应用进展》在线阅读地址：人工智能在二尖瓣反流超声精准诊疗中的应用进展