人工智能在超声心动图的应用要点.pdfVIP

人工智能在超声心动图的应用要点

1.人工智能概述

1.1.1人工智能

人工智能（Artificialintelligence，AI）是一种能够模拟、扩展人类

智能及执行相关任务的技术方法。随着人工智能算法的不断变革及发

展，人工智能技术与基因工程、纳米科学一同被誉为21世纪三大尖

端科技。我国于2017年启动了人工智能计划，并把人工智能上升为

国家战略，鼓励推广其在医疗、健康等领域的应用。

1.1.2机器学习

机器学习（Machinelearning,ML）是人工智能的一个组成部分，

也是人工智能应用于心血管医学的研究热点。机器学习是研究和开发

从数据中学习、识别图案并作出决策的系统。机器学习的算法包括监

督学习、半监督学习及无监督学习，取决于数据是否完全标记、部分

标记或未标记。其中监督学习是目前人工智能应用落地最成功的领

域，通过输入手动标记的数据集，开发出最优模型，可对数据进行分

类及输出预测结局。与传统的统计学相比，机器学习无需进行任何假

设来生成P值，在准确性、预测性能和处理复杂数据方面，优于传统

的Logistic回归法。在大数据背景下，基于机器学习的人工智能被视

为海量数据和数据解读者——医师之间的桥梁。

1.1.3深度学习

深度学习（Deeplearning,DL）是机器学习备受关注的子领域，

在心血管医学影像具有极大的潜力。深度学习是将原始数据提供给机

器，由机器识别所需表达、层层传递（类似于人脑神经元传递、处理

信息的模式），并自动输出结果，本质上是一种人工的神经网络，包

括循环神经网络（Recurrentneuralnetwork,RNN）、卷积神经网络

（Convolutionalneuralnetworks,CNN）和深度神经网络（DeepNeural

Networks,DNN）等技术。优势在于模拟人的人知，自动化医学图像

解释，帮助临床决策。

2.人工智能在超声心动图的应用

准确、可靠的超声心动图是现代心脏病诊断和治疗的核心。随着

超声心动图技术的发展，三维超声心动图被认为准确度可媲美心脏磁

共振检查（Cardiacmagneticresonance,CMR），超声心动图的下一个

发展方向，除了自身技术的不断推陈出新，人工智能技术的融合至关

重要。

2.1.1心脏结构和功能的自动量化

左心室大小和功能的评估是超声心动图的关键部分，多个超声机

器供应商，如GE、飞利浦、西门子、东芝等心脏高端机已纳入自动

化定量软件，可进行自动心房、心室定量和射血分数计算。飞利浦

EPIQCvx心血管专用AI超声系统包括全面的自动心脏定量技术，可

实现超声心动图的自动快速定量，减少人工依赖性。人工智能实现自

动量化的基础，是精准的图像识别及解剖结构分割。ZhangJ等人开

发了一种基于深度学习的超声心动图图像全自动解析算法，通过纳入

大样本（超过14,000人）进行模型训练，使得图像识别的准确性达到

96%，图像分割的准确性达到72%-90%，心脏自动定量的一致性媲美

甚至超过人工测量。该团队同时成功地训练卷积神经网络，以检测肥

厚型心肌病、心脏淀粉样变性和肺动脉高压，具有较高的准确性。值

得注意的是，即使是超过10000人的大样本，在人工智能的帮助下，

该团队仅花费了几周时间来完成评估。在Asch等人2019年的一项研

究中，通过机器学习模型对99例患者进行左心室射血分数的自动量

化，与传统的人工测量相比，结果显示较高的相关性（r=0.95）和良

好的一致性（r=0.94）。

图4：左心房应变自动量化分析

图5：基于三维超声心动图的自动右心室定量分析

2.1.2斑点追踪超声心动图

斑点追踪超声心动图（Speckletrackingechocardiographic,STE）通

过计算机图像分析技术追踪心肌的超声灰阶斑点，计算心肌变形相关

参数，从而进行整体和局部心功能的评估。Farsalinos等研究发现基

于斑点追踪超声心动图测量的数据，与传统的二维和多普勒数据相比

可重复性更好。Narula等将监督学习算法与斑点追踪超声心动图数据

进行整合分析，结果表明机器学习有助于区分肥厚型心肌病及运动员

心脏肥厚。Sengupta等纳入15个STE指标和4个常规超声心动图指

标进行监督学习模型训练，结果显示机器学习在鉴