近年来，人工智能技术，如机器学习(Machine Learning, ML)，已经能够从三维超声心动图（Three-Dimensional Echocardiography ,3DE）数据中自动检测左心室和左心房心内膜边界，从而能够快速准确地测量左心室和左心房容积和射血分数(Ejection Fraction，EF)，为心脏结构和功能的研究提供了新方法，扩大了超声心动图在临床实践中的应用。
研究设计
随机选取56名患者进行3DE及CMR检查，使用新的基于ML自动分析软件（3D Auto RV,飞利浦）对3DE图像进行分析，使用CMR配备软件对CMR图像进行分析，随后将两种方法获取的RV容积参数及EF进行比较。
(1)图像质量分析
将RV分成17个节段（如下图），根据心内膜边界可视化情况评分为0(不可见)、1(部分可见)或2(均可见）。所有17个节段的总分决定了图像整体质量，介于0~34之间，分数>23图像质量好，18~23为一般，18<为差。
图1：右室17节段划分。A ap：前壁心尖段；A bas：前壁基底段；AL：前外侧壁；A mid：前壁中间段；AS：前间隔壁；I：下壁；I ap：下壁心尖段；I bas：下壁基底段；I mid：下壁中间段；IS：下间隔壁；L ap：外侧壁心尖段；L bas：外侧壁基底段；L mid：外侧壁中间段；PL：后外侧壁；S ap：间隔壁心尖段；S bas：间隔壁基底段；Smid：间隔壁中间段。
(2)RV定量分析
图2：3D Auto RV内膜自动识别结果：舒张末期和收缩末期RV心内膜轮廓两个短轴切面（顶部和中间）和长轴切面（底部）
在整个心动周期中机器会逐帧自动描记RV心内膜轮廓，当操作者认为自动描记心内膜轮廓不正确时，需进行手动调整。
研究结果
表2：两种技术所得参数的统计分析表
图4：两种技术所得RV容积和EF值的比较：线性回归(左）和Bland-Altman分析（右）
新ML算法所得参数与CMR相比：新ML算法对三个参数的测量存在轻微的低估，但偏差很小，而且新ML算法与CMR获得的所有参数的之间有很好的相关性[r=0.91 (EDV) 、r=0.92(ESV) 和 r=0.87(EF),P<0.01)。
表5：新ML算法的可重复性分析
表3：患者图像质量分布情况及新ML算法测量准确性分
分析讨论
结 论
研究证实了基于ML新算法评估RV大小和功能的准确性和可重复性。该方法为RV快速三维定量提供了一种很好的解决方案，有助于在临床实践中广泛应用3DE来评估RV。
