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，Østvik 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］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。