人工智能在超声心动图的应用要点Word格式.docx

人工智能在超声心动图的应用要点Word格式.docx

《人工智能在超声心动图的应用要点Word格式.docx》由会员分享，可在线阅读，更多相关《人工智能在超声心动图的应用要点Word格式.docx（6页珍藏版）》请在冰豆网上搜索。

　　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（DeepNeuralNetworks,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别缩窄性心包炎和限制性心肌病方面优于其它超声心动图指标。

机器学习融合STE技术，可尝试开发出识别不同疾病的系统，对于经验有限的医师来说，有一定参考作用。

图6：

融合人工智能技术的斑点追踪定量分析

图7-8：

基于三维超声心动图的左心室自动应变分析及牛眼图

　　2.1.3瓣膜自动量化及评估

　　目前经皮瓣膜介入手术不断迎来新突破，瓣膜及心内解剖结构的可视化是关键的一环。

瓣膜的自动建模与评估，是人工智能应用于超声心动图的一个快速成长的领域，多个供应商已开发提供基于人工智能的瓣膜评估软件，其中飞利浦MVN?

?

二尖瓣定量导航是一种半自动化二尖瓣量化工具，主要用于研究二尖瓣瓣环和瓣叶的相关参数。

西门子eSieValves四维自动定量分析系统允许自动检测、定量和重建二尖瓣-主动脉瓣三维模型，研究显示不同检查者采用该系统测量的二尖瓣参数变异性小，与外科结果相关性较好。

TomTec-Arena软件包可对二维及三维超声心动图数据进行后处理，进行二尖瓣环及瓣叶结构的量化分析，已被多项研究证实是一个有价值的多模态图像分析工具。

Huma等尝试采用西门子瓣膜半自动分析软件，进行三尖瓣结构研究，不再局限于主动脉瓣及二尖瓣。

基于人工智能的全自动瓣膜快速量化，有助于结构性心脏病的辅助诊断及治疗，具有较好的应用前景。

图9-11：

二尖瓣半自动化建模及定量导航系统

图12-13：

主动脉瓣智能建模及定量分析

3.现状及展望

　　人工智能与超声心动图的融合，有助于对心血管疾病患者进行有效筛查、分类及转诊，在节约医疗成本的同时，实现了高效简便的诊疗流程，达到优化资源配置、对疾病精准分层及早期预防的作用。

超声机器自动计算左室射血分数及其他超声指标并给出判断结果，有利于减少超声医师观察者间变异性，提高超声检查的可重复性和标准化，提高检查效率；

有利于急诊、手术室医生快速评估病情，推动超声心动图的床旁使用及可即性。

　　目前的应用及前景：

1）心内膜边界自动识别及追踪，包括二维自动识别和三维自动识别，自动检测室壁运动，心室容积及LVEF；

2）心肌自动识别，分析心肌力学特征，心肌长轴应变及牛眼图、短轴应变、分层应变及三维应变，结合心腔压力进行心肌做功分析；

3）心内血流向量分析，涡流分析；

4）主动脉根部定量分析；

5）二尖瓣定量分析；

6）左房容积定量分析；

7）右室应变及容积定量分析；

8）连续性血流动力学分析，自动瓣口流量监测；

9）左室收缩、舒张同步性分析；

10）其他瓣膜的定量分析；

11）心脏整体应变分析；

12）VR等解剖和功能可视化分析及教学。

　　人工智能应用于超声心动图的局限性也显而易见，目前的算法模型依赖于大数据，亟需在医疗机构之间建立数据分享平台及实现数据标准化。

机器学习需要大量精确标记的数据集，标记工作的主观因素不容忽视，手动标记效率低下、工作负荷大，这些都制约着精确数据集的构建。

模型开发之后，如何切入临床工作流程并改变传统医学模式，仍需进一步探索。

此外，大数据背景下，患者的知情权和隐私权也备受挑战。

医工跨界融合和多学科协作愈发迫切和重要。

　　综上，人工智能将更好地解放超声医师的双手，辅助超声医师快速、准确、有效地采集及解读图像。

此外，另一个重要事实是，手持超声设备正蓬勃发展，未来社会可能人人拥有手持超声探头，连接手机直接进行“医学自拍”，这种自拍可能是自动化、智能化的。

人工智能已然在医学领域加速进化，对于超声医师将各类超声指标应用于不同疾病（尤其是复杂疾病）及个体并进行解释的能力提出了更高的要求。