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。