

“计算机辅助诊断”的概念已经存在了几十年,特别是在放射学中,用来辅助胸部疾病的诊断,而超声心动图需要分析动态图像。人工智能技术,特别是机器学习(Machine Learning,ML)的最新进展,为开发一种新的、全自动的心腔大小和功能动态量化算法铺平了道路。人工智能和机器学习在心脏成像方面的新兴应用具有巨大的潜力,将彻底改变我们诊断和管理心血管疾病患者的方式。
最新的美国超声心动图学会(ASE)/欧洲心血管影像学协会(EACVI)指南建议使用三维超声心动图分析评估左心功能,然而,因为它需要专门的培训和经验积累,而且很耗时,目前并没有完全应用到常规临床实践中。那么,ML能否解决目前临床、科研的问题呢?
今天,我们解读Lang教授于2018年发表在European Heart Journal的研究成果,这是首次使用机器学习算法进行的研究,与常规三维超声心动图(3D echocardiographic,3DE,TomTec)和心脏核磁共振(Cardiac magnetic resonance ,CMR) 图像获得左心室(Left ventricle,LV)和左心房(Left atrium,LA)的容积-时间曲线等数据进行比较。下面,我们来展示机器学习方法给我们临床工作带来了哪些变化。
1.机器学习方法的概念
应用HeartModel软件(HM,PHILIPS)进行ML图像自动分析,基于基础图像的识别来定位心腔,以及患者特定的心内膜边界。在整个心动周期中逐帧提供心腔容积。初始过程识别解剖特征,包括LV和LA,并创建轮廓,然后将轮廓与ML方法相结合以将实际的超声图像信息拟合到这些解剖结构中,有了这些练习数据,机器可以有效地了解用户在实际临床图像中定位结构之间边界的位置。根据定义,ML程序通过增加对数据集的暴露而非修改编程来提高其性能或分析准确性。
2.ML 3DE的采集方法
步骤1:使用EPIQ系统(版本7C,Philips Medical Systems)和X5-1相控阵换能器在患者处于左侧卧位时进行成像。
步骤2:优化二维图像。通过调节增益、压缩和时间增益补偿控制来优化图像以进行心内结构的可视化。
3.研究设计
选取20名患者(年龄54±19岁,女性12人,体表面积1.9±0.2 m2)进行了前瞻性研究,分别使用ML方法、常规3DE分析和CMR图像,以获得LV和LA容积以及射血/充盈参数。然后,将ML算法得到的结果与后两种参考技术进行比较。
4.研究数据
EDV:舒张末期容积;ESV:收缩末期容积;SV:每搏输出量;ET:射血时间;FT :充盈时间;DIA:舒张期容积;RFV:快速充盈量;AFV:心房充盈量。
图3:ML的左心房容积-时间曲线
Vmax:最大容积;Vmin:最小容积;FV:充盈容积;FT:充盈时间;ET:排空时间;DIA:舒张期容积;PEV:被动排空容积;AEV:主动排空容积。
图4 左:左心室容积-时间曲线(深蓝色、粗线条)及其时间导数(浅蓝色、细线条)
右:左心房容积-时间曲线(深蓝色、粗线条)及其时间导数(浅蓝色、细线条)
机器学习生成时间-容积曲线(含手动校正)所需时间(0.6±0.3min/例)明显短于常规3DE容积分析(3.4±1.1min,P<0.0 5)和CMR手动逐帧逐层追踪(96±14min,P<0.0001)。由ml算法得到的lv和la曲线在形状和大小上都与从cmr图像和使用常规三维分析相同3d数据集所获得的lv和la曲线相似。两组间比较,射血参数无显著性差异(p>0.05),射血参数差异无统计学意义(P>0.05)。
表1:ML和两种不同的参考技术获得的左心室(Table 1)/左心房(Table 2)容积-时间曲线得出的收缩舒张参数。
5.研究分析与讨论
该研究表明:
6.总结
1.这是第一次对3DE数据集进行基于ML的自动化分析。
2.研究者证明了这种方法可以动态测量整个心脏周期的LV和LA容积,包括准确计算射血和充盈参数。
3.自动化分析有助于克服3D超声心动图的工作流程的限制,从而促进3DE量化在常规临床实践中的整合。
飞利浦动态心脏模型A.I.(Dynamic HeartModel)采用全自动化心脏模型的分割方法,十几秒即可获得左心室和左心房三维容积数据,旨在解决目前存在于临床实践中的变异性问题。其自动边界检测、三维斑点追踪、精密分割算法、直观的工作流程使动态心脏模型A.I.成为一款高时效性三维左心定量工具,期望每一位医生在日常工作中获得更加准确的三维心功能。