人工智能在二尖瓣反流超声精准诊疗中的应用进展

人工智能在二尖瓣反流超声精准诊疗中的应用进展一文创作于：2023-08-16 04:33:24，全文字数：14658。

人工智能在二尖瓣反流超声精准诊疗中的应用进展

��研究引入了新的图像描述符用于更好地捕捉图像特征，其检测正常成人及轻、中、重度MR 患者的准确率分别为99.52%、99.38%、99.31%和99.59%。另有研究［18］表明深度学习算法可分割彩色多普勒视频中的关键帧，量化与MR 严重程度分级的关键参数——反流束面积与左房面积比值，其评估MR严重程度的能力与高年资超声医师相当。通常情况下，对MR的严重程度进行分级需要结合多参数综合评估，因此，纳入MR严重程度分级的所有参数是今后AI研究的一个重要方向。

近端等速表面积法（proximal isovelocity surface area，PISA）是定量评估MR 反流程度的重要方法。三维PISA 法不依赖几何学及流体力学假设，其利用三维技术重建整个等速面，可准确评估MR严重程度，且较二维PISA更准确。当存在多股或偏心性射流等复杂MR 时，三维PISA 与心脏MRI测量反流容积的组内相关系数（ICC）为0.86，优于二维经胸超声心动图PISA（ICC=0.66）或经食管超声心动图PISA（ICC=0.69）［19］，表明三维PISA 评估复杂MR 的准确性更高。建议有条件的医疗机构可使用三维超声成像模式定量检测MR，并结合AI 进行更准确的评估。

三、AI在MR治疗及预后随访中的应用

1.AI在MR治疗中的应用

MR 的治疗方案主要包括药物治疗、经导管介入治疗、外科手术瓣膜置换术或修复术。Zweck 等［20］研究报道了基于机器学习模型的新评分（MITRALITY）用于预测TEER 介入术后1年的死亡率，该评分的AUC 为0.783，高于同一验证队列的两种传统评分（AUC=0.721、0.657）。一项基于二尖瓣几何结构的AI模型研究［21］证实TEER 介入治疗时MitraClip 的位置和数量对疗效及预后有一定影响，二尖瓣瓣口面积减少的程度随MitraClip数量的增多而递增，由于每一患者二尖瓣几何形状均不同，因此根据患者个体参数确定最佳MitraClip 方案是临床成功治疗的关键。此外，AI 有助于评估TEER 介入术后左室逆重构（left ventricular reverse remodeling，LVRR）的程度和预测因素，复发/残留MR、男性和左室射血分数（LVEF）＜20%均是MitraClip 术后12 个月内LVRR 缺失的独立预测因素［22］。Jiang 等［23］研究报道使用基于围手术期变量的机器学习算法构建预测二尖瓣置换、二尖瓣成形和三尖瓣成形术后严重并发症（心肌梗死、卒中、肾衰竭和院内死亡）的模型，可以指导临床医师采取适当的预防措施，减少高危患者并发症的发生风险。基于机器学习的模型也可以预测二尖瓣修复术的成功率和MR 复发的因素，有助于临床医师更好地选择适宜行二尖瓣修复术的患者［24］。

2.AI在MR预后随访中的应用

在评估MR患者预后中，左室收缩末期容积（LVESV）降低≥10%或LVEF 增加≥10%即可判定MR 患者治疗成功［25］，因此准确测量左室容积和LVEF 尤为重要。Liu 等［26］通过训练U-Net算法识别二维超声心动图数据并建立全自动深度学习模型，该研究纳入来自3个数据集的340例患者共36 890幅二维超声心动图图像，包括肥厚型心疾病、扩张型心肌病和心房颤动患者，结果表明U-Net 算法能精准识别不同疾病状态下的心内膜边界并准确分割，继而基于双平面Simpson 法计算得出更高精度的LVEF。表明当MR 患者心脏解剖结构或节律改变时，AI 可准确评估LVEF，具有重要临床价值。AI 还可准确评估儿童LVEF，研究［27］发现即使仅有一个切面可供测量LVEF，AI 模型仍能准确分割左心室并估算LVEF，因此，当儿童超声心动图像采集受限时，AI可为超声医师提供一定帮助。

临床工作中，超声医师常使用视觉估计评估LVEF，但受经验影响可能存在较大的观察者间差异，AI有望实现视觉评估的标准化。Asch 等［28］开发了一种全新的机器学习模型模拟超声医师在心尖两腔心及四腔心切面视觉评估LVEF，无需描记心内膜边界和计算收缩末期、舒张末期容积，仅需1～5 s即可获得LVEF，且测值与高年资超声医师使用双平面Simpson 法测得的LVEF 相关性和一致性均较高，表明AI 视觉测量LVEF 可靠性较高。虽然该模型使用方便、快捷，但在急诊、重症等需要使用床旁超声的环境中，超声医师常选择更易获得的心尖四腔心切面和胸骨旁左室长轴切面来估测LVEF。因此，经改进后的AI模型可于心尖两腔心、四腔心及胸骨旁左室长轴切面的任一种或多种切面自动估算LVEF［29］。随着床旁超声使用需求增多，AI可辅助超声医师快速、准确地测量LVEF，对于经验不足的超声医师，其使用AI 自动测量的准确性也较高，具有广阔的应用前景。

既往评价心脏收缩功能的深度学习方法多在静态图像基础上进行，且描记静态图像与动态追踪存在本质差别，Ouyang等［30］研究应用深度学习的方法对10 030 例患者心尖四腔心切面动态图像进行智能化分析，结果显示该模型可识别LVEF 的微小变化，与人工描记结果相关性好且重复性更高，为精准、实时诊断心血管疾病奠定了基础。表明应用AI 自动定量检测LVEF 和左室容积可以简化、标准化MR 的诊疗流程，为评估MR 预后提供准确、快速、可重复的超声参数。另外，根据专家共识［31］，轻度及中度MR 患者建议每1～2年定期随访复查，结合AI 判断MR 严重程度的变化可为病情进展提供精准建议；而对中重度或重度MR 患者而言，无论是FMR 在血运重建术后或药物治疗后随访反流变化，还是DMR 在瓣膜修复术后评估残余反流、左室大小及收缩功能，AI均具有巨大潜能。

四、总结与展望

总之，AI 与超声心动图的结合在MR 诊断、治疗及预后随访中均显现出独特的应用价值。在图像识别与切面分割的基础上，AI 可以辅助超声心动图评估MR 病因及严重程度，有助于临床医师合理选择治疗方式及客观评估患者预后。但由于AI 获得的数据量大、数据类型复杂，不同超声仪器或测量参数下采集的图像数据也存在差异，数据处理及分析存在一定困难。此外，心脏的活动频率及图像的变化速度均高于其他部位，这也对AI 与超声心动图的结合提出了挑战。同时，信息安全隐患及AI模型的兼容性同样值得关注，随着一系列法律及监管措施的出台及完善，超声医学与AI 融合的规范性得到了保障，超声医师应正确处理自身与AI 之间的关系，发展高质量超声医学AI诊断系统，促进超声医学未来发展。

《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