人工智能在超声自动定量左心容积与功能中的应用进展*

吴妮懋 综述，任建丽△ 审校

(1.重庆医科大学超声影像学研究所，重庆 400010；2.重庆医科大学附属第二医院超声科，重庆 400010)

心脏容积与功能一直是心血管疾病患者早期诊断、疾病监测和预后评估的重要指标，超声心动图因快捷、安全、动态等优势已成为临床最常应用于定量评估左心功能的影像学技术。二维超声心动图(2DE)因几何假设和心尖短缩等缺陷常导致容积与功能测量的不准确，传统三维超声心动图(3DE)需要采集多个心动周期，且人工勾勒心内膜边界存在耗时、复杂、变异性大等局限性，尚未在临床普及。随着人工智能(artificial intelligence，AI)技术的开发和应用，三维全自动定量分析技术可实现一键定量心脏容积与功能，有望解决上述困难，使3DE尽快在临床普及。

1 AI的基本概念

AI是计算机科学的一个分支，其中机器学习是AI的核心，是使计算机具有智能的根本途径。机器学习主要分为有监督学习、无监督学习模式，二者的主要区别是机器接收的数据是否带有标记[1]。目前应用于医学影像学的学习模式主要包括监督学习中的递归神经网络、卷积神经网络和普通深度神经网络等主流模型，其中卷积神经网络[2]作为具有自主学习能力的神经网络模型，是目前医学影像学AI的研究热点。卷积神经网络模型可从多层结构中提取其最具辨识度的特征，进而识别不同类型的超声图像，此技术是目前超声医学前沿研究的核心。

2 AI在心脏超声中的基本应用

众所周知，心脏超声检查需要多切面扫查及大量数据采集，是一项复杂、耗时的检查程序。将AI与高度依赖机器操作的医学超声影像学融合，利用机器学习技术“学习”庞大的原始数据库中超声图像的不同特征，从而识别图像，量化感兴趣区域及识别疾病类型，其客观的判断对于弥补这些不足具有巨大的优势[3]。

目前机器学习在超声心动图中的应用尚处于早期阶段，主要通过开发智能程序进行超声图像的自动识别、病理分类、部分心脏疾病诊断，以及心腔结构、容积和功能的自动量化。一项研究证实[4]，机器学习算法可精确识别心尖四腔心、二腔心和三腔心切面，其中监督学习模型成功识别3种心尖视图的准确率约为95%。国外有研究发现，通过深度学习方法建立的心肌梗死诊断模型其受试者工作特征曲线下面积(AUC)值高于人工诊断，且除左前降支以外，机器学习模型对右冠状动脉、左回旋支及健康对照组的分类错误率较低[5]。SENGUPTA等[6]应用机器学习算法对缩窄性心包炎和限制性心肌病进行了区分。ZHANG等[7]还建立了一种基于深度学习方法的机器学习模型，可以从胸骨旁长轴视图中区分心肌病和肺动脉高压。

3 自动定量技术在左心容积与功能分析中的应用

心脏容积与功能的量化是心脏超声检查的重要组成部分。双平面圆盘总和技术量化左心室容积和射血分数存在显著的变异性。三维超声全自动定量技术运用了AI技术的机器学习模型，无需人工操作(如选择视图、定位标记和修改边界)即可获得定量结果，消除了专家和新手之间的差距，提高了测量的再现性[8]。目前临床上使用此类软件主要针对左心室(left ventricular，LV)及左心房(left atrium，LA)进行容积与功能的定量分析。

3.1 二维自动定量左心容积与功能

左心室容积和左心室射血分数(left ventricular ejection fraction，LVEF)最早是通过M型(一维)超声心动图进行测量，但M型超声要求在标准切面上进行测值，且无法逐帧分析图像，常导致测量误差。目前临床测量心脏腔室大小和功能依旧常规使用2DE，除了几何假设及心尖短缩的缺点，在二维平面上手动测值依旧具有主观和耗时的局限性。当下，市面上发行了多种自动测量二维左心室射血分数(2D-LVEF)的软件，如西门子的eSie LVA(德国慕尼黑)、TomTec的AutoLV(德国慕尼黑)、飞利浦的a2DQAI(荷兰贝斯特)。多项研究证实，自动定量2D-LVEF的可行性为83%～100%，提高了2D-LVEF测量的准确性和再现性，其测量结果与磁共振成像(MRI)结果一致性好[9-11]，且与半自动[12]、手动甚至心脏核磁共振成像(CMR)[9-10，13]方法相比，至少可节省50%以上的分析时间。一项多中心研究中，KNACKSTEDT等[14]应用机器学习算法的软件包(AutoLV，TomTec-Arena 1.2，TomTec Imaging Systems，Unterschleissheim，德国)对255例患者进行2D-LVEF、LV容积和整体纵向应变测量，结果与使用二维双平面技术的手动追踪测值相关性好，但相关性结果受到图像质量的影响。临床可对于图像质量优秀的患者直接使用自动测量的二维容积与LVEF。

3.2 三维自动定量左心容积与功能

三维左心室射血分数(3D-LVEF)比2D-LVEF更准确，其复测的变异性几乎只有2D-LVEF的一半[15]，指南建议临床可在图像质量较好的患者中常规使用3D-LVEF[16]。但由于传统3DE需手动勾勒心内膜边界，分析时间较长且要求操作者有一定的三维经验[17]，现阶段3DE并未能替代2DE成为心脏容积和功能的常规检测方法。三维自动化分析克服了上述限制，有望满足当前医疗环境对于快速、准确量化心室容积与功能的急迫需求。

三维自动定量技术主要运用基于大数据“知识库”的概率轮廓算法[10]或自适应分析算法[18]对心内膜边界进行自动追踪。最初开发的三维心内膜边界探测算法尚属于半自动化，需要人工标注部分重要解剖位置(如二尖瓣环、LV心尖或LA顶点)，其中包括TomTec 4D LV(德国TomTec公司)、QLab 3DQA(荷兰飞利浦公司)和GE 4D LVQ(美国GE公司)等。目前以完全自动化测量发行的软件仅限于德国西门子公司的eSie LVA和荷兰飞利浦公司的Heart Model。eSie LVA软件仅提供左心室的单室分析，研究证明eSie LVA使用多个连续心动周期的3D数据集进行自动分析，准确度与单次心跳2DE测量结果相似[10]。Heart Model可提供4个心腔的分析，但临床上主要应用于LV及LA的量化。国外学者已对不同类别的自动定量软件进行了准确性和重复性测试，结果证实全自动定量技术能够准确识别左心腔，所得LA、LV容积与功能参数均与MRI具有很高的相关性，且优于手动3DE，自动测量的3D-LVEF一致性范围在0.75～0.98[19-20]。自动定量所得LV、LA容积高于传统手动追踪心内膜结果，但与CMR结果相比有所低估，其中对收缩末容积(ESV)的低估更大，LVEF则无明显统计学差异[21]。目前，飞利浦的Heart Model智能解剖模型是国内临床上最常用的三维自定量软件，该软件利用自适应分析算法自动识别舒张末期和收缩末期，生成初步的心内膜表面，然后与现有的三维数据库进行比较，匹配出适合患者的心脏模型并计算相应容积与功能。与手动3DE方法相比，Heart Model可减少75%以上的分析时间[22-23]，单个腔室容积和射血分数的分析通常在30 s以内便可完成。

值得注意的是，自适应算法是通过自动检测血液-组织界面和致密心肌界面从而追踪真实的心内膜边界，一般供应商默认心内膜边界设定值为50%，用户可自定义默认值(即整体修正心内膜边界)，另外还可以移动心内膜边界线位置进行局部调整。这或许可部分解释自动心内膜追踪较手动追踪测量重复性更高，因为手动追踪法一开始没有边界值的设置，需要人工选择正确的舒张末期和收缩末期，再根据经验人工描绘心内膜边界。另外，不同的心内膜边界默认值可能是自动定量算法研究结果之间变异性的来源。研究证明，在部分患者中进行人工边界修正能提高LV、LA容积测量的再现性和准确性[21，24-25]，但在三维经验不足的医师中边界修正并未明显提高测量的准确性，这说明临床使用自动三维超声分析软件时需要对操作者进行相关培训[26]。对于LVEF而言，边界修正对结果无明显影响[21]，这意味着使用自动分析的3D-LVEF重复性高，可使临床解读结果更加统一。

自动定量分析另一优点是适用于心律失常的患者，如心房颤动(AF)患者。由于逐次心跳变异性AF患者心腔大小与功能的评估一直是心脏超声检查的难点。既往研究通常采集多次(5～13个连续心动周期)测量取平均值，操作步骤繁琐、耗时。指南推荐测量AF患者LVEF时应采集5个心动周期以上的图像[16]，但传统3DE容积率高，多次心跳采集容易造成拼接伪像，无法实现AF患者的逐次心跳分析。自动定量技术提供的单心动周期模式可以实现更准确、简单的3D-LVEF量化。OTANI等[27]研究证实，使用单心动周期3DE全容积数据集结合全自动定量软件测量多次心跳心腔大小与功能指标是可行的，单拍自动测量的3D-LVEF与手动多次测量取平均值的结果高度相关，但单拍自动测量的分析时间较多拍约减少22 min。该研究证明单拍模式的三维自动定量技术有望临床应用于AF患者心脏机械力学指标的评估。

最近，Heart Model将自适应算法与三维斑点追踪(STE)结合，可以提供左心腔的逐帧分析，快速得出LV及LA时间-容积曲线，从射血、排空、充盈等多参数动态地分析心腔变化(此处称为Dynamic Heart Model)，提供更多的临床信息。NARANG等[28]使用Dynamic Heart Model与传统三维分析软件(4D LV analysis and LA function，德国TomTec公司)及CMR进行LV、LA的动态曲线对比分析，其中自动三维分析时间为(35±17)s，手动三维分析为(3.6±0.9)min，CMR为(96±14)min；3种方法所得的时间容积曲线的形态变化相似，Dynamic Heart Model的射血及充盈参数测值无明显观察者间变异性。此外，Dynamic Heart Model还可以额外对LV质量进行自动评估，结果较传统三维分析软件与CMR偏倚更小[(5±37)gvs.(7±27)g]，且测值重复性高[(ICC=0.99；CoV=(4±5)%][29]。相信随着算法的不断升级，自动定量技术在未来可分析更多的心脏功能参数。

3.3 左心自动量化的挑战

尽管AI使左心容积与功能的快速定量成为现实，但依旧面临如下挑战：首先，不管是何种软件的自动定量技术依旧受到图像质量的影响。在图像质量欠佳的患者中，边界调整就有存在的必要。虽然调整后自动分析的准确性有所提高，与MRI相关性更强，但是这也意味着并未完全实现全自动化定量分析。这需要算法的开发和探头的升级来进一步提高三维图像的时间及空间分辨率，增加识别的精确度。虽然使用这种分析方法获得的测量精度仍然依赖于图像质量，但其程度明显小于使用当前半自动软件。其次，现有的自动量化算法对部分类型患者无法进行准确识别，如节段性室壁运动异常、左心室形态扭曲、心尖肥厚型心肌病等患者。这需要进一步扩展“知识库”的病例类型，将更多的病种纳入其中。然而在建立知识库时，往往需要高质量的原始数据集，这就需要具有丰富经验的专家进行数据采集。此外，对于不同类型的心腔可能需要设置不同的心内膜边界默认值[25]，未来需要进一步针对各类心脏疾病进行具体化研究。与此同时，目前三维容积与射血分数的正常值或许并不适用于自动定量测值，这需要针对不同年龄、性别及种族的大量研究。最后，超声声学造影在量化心腔容积的地位已经得到公认，未来需要增加自动测量与超声造影的对比研究，以增加其说服力。

4 小 结

AI在心腔自动定量的前景值得肯定，自动定量技术不但提高超声医师的工作效率，还能促进临床、超声解读结果的统一，进一步促进智能化医疗模式建立。随着自动定量技术算法的不断改进，在提高测量准确性和重复性的同时，相信还可以实现多腔室同步定量分析，使三维超声更快普适于临床应用。