编辑推荐：
本研究针对临床鉴别低梯度重度主动脉瓣狭窄(AS)与中度AS的难题，开发了基于超声心动图影像的人工智能(AI)诊断模型。通过自动提取左心室参数(LVID/IVS/LVPW/LVEF)结合手动血流参数(SVI/DVI)，模型在158例患者中实现AUC=0.719的鉴别性能。该成果为简化AS分型诊断流程、减少侵入性检查提供了新思路，是首个专注于低梯度AS自动分型的AI研究。
主动脉瓣狭窄(AS)作为欧美最常见的心脏瓣膜病，在80岁以上人群中的患病率高达10%。其中低梯度重度AS的诊断尤为棘手——当平均主动脉压差(mAG)<40 mmHg时，其血流动力学表现与中度AS极为相似，但两者的临床处理策略截然不同：前者需要积极干预，后者则多采取保守治疗。传统诊断依赖多种侵入性检查的组合，包括多巴酚丁胺负荷超声(DSE)、CT和经食道超声(TEE)，不仅增加患者负担，还带来额外风险。
针对这一临床痛点，华沙国家心脏病研究所的Michal Wrzosek和Mikolaj Buchwald团队在《Journal of Imaging Informatics in Medicine》发表创新研究。他们首次将人工智能技术聚焦于低梯度AS这一特殊亚型，开发出仅需常规经胸超声(TTE)影像的全自动诊断系统。研究突破性地证明，通过AI自动提取的心脏结构参数即可实现有效的疾病分型，为简化诊断流程提供了重要循证依据。
研究采用158例连续患者的临床数据，通过三大关键技术构建模型：首先运用EchoNet-LVH模型自动获取舒张期左心室内径(LVID)、室间隔厚度(IVS)和后壁厚度(LVPW)；其次采用EchoNet-Dynamic模型计算左室射血分数(LVEF)；最后整合临床医师手动测量的每搏量指数(SVI)和多普勒速度指数(DVI)。通过XGBoost算法构建的多参数模型，在10折交叉验证中展现出稳定性能。
模型性能与特征重要性
全自动模型(仅含影像参数)在158例患者中达到AUC=0.719(95%CI:0.640-0.798)，而加入手动参数的半自动模型性能显著提升至0.853。特征重要性分析显示，DVI和SVI贡献度最高，印证了血流动力学参数在AS分型中的关键价值。值得注意的是，在房颤(AF)和低LVEF亚组中，模型性能保持稳定，证实其临床适用性。
讨论与展望
该研究首次实现低梯度AS的自动化分型诊断，其创新性体现在三方面：一是突破既往AI研究仅区分"有无AS"的局限，聚焦临床最棘手的亚型鉴别；二是仅依赖TTE单模态影像，避免多检查组合带来的不便；三是验证了自动提取结构参数与手动血流参数的互补价值。虽然全自动模型性能尚有提升空间，但其已具备临床辅助决策潜力，特别是在获取血流参数困难的情况下。
未来研究可通过扩大样本量、开发自动血流参数计算方法进一步优化模型。这项成果为构建"一站式"AS智能诊断平台奠定了基础，有望改变当前依赖经验判断和多检查组合的诊断模式，最终实现精准医疗与医疗资源优化的双重目标。
生物通微信公众号
生物通 版权所有
