人工智能在心脏重构评估中的应用：从模型到临床整合

Ke Li; Yirui Jiang; Huan Sun

doi:10.3791/71095

综述文章

人工智能在心脏重构评估中的应用：从模型到临床整合

DOI：

10.3791/71095

⸱

2026年6月22日

Ke Li^*¹ , Yirui Jiang^*¹ , Huan Sun¹

¹Cardiology Department, China-Japan Union Hospital of Jilin University

^* These authors contributed equally

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本文综述了人工智能如何在结构、功能和电生理学领域改变心脏重构的评估，并探讨了其临床整合的发展路径。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

人工智能（AI）正越来越多地应用于心脏重构在结构、功能和电生理学领域的评估。在结构重构方面，AI 可基于影像数据支持心腔的自动分割、容积定量、组织特征识别以及重构亚型的鉴定。在功能评估方面，AI 可提高心室功能、应变及血流动力学参数的测量精度，并支持亚临床功能障碍的检测以及动态变化的长期监测。在电生理重构方面，AI 有助于分析心电图信号、心电图（ECG）图像和光学标测数据，以检测隐匿性传导异常、评估心律失常风险，并支持机制性解读。多模态数据融合通过整合影像学、心电图和临床信息，进一步增强了风险评估能力。本文综述了人工智能在心脏重构中的应用现状，探讨了这些技术如何实现更全面、个性化的评估，推动临床实践从单一参数评估向多维度预测转变。此外，我们还讨论了实现这一潜力所必须解决的关键挑战与局限性，以及该领域可行的解决方案和未来发展方向。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

心脏重构是一种在心肌梗死等病因导致初始心肌损伤后出现的适应性病理生理反应。其特征包括心腔几何结构、组织成分、收缩与舒张功能以及电生理特性的进行性改变¹。若不加以控制，重构可能进展至失代偿阶段，最终导致心力衰竭（HF）²。该过程涉及多个层面的改变，包括基因调控、分子信号传导、细胞行为以及组织微环境的变化。近期研究表明，心脏重构和慢性心力衰竭仍具有部分逆转的潜力²。例如，长期机械循环支持可通过减轻心室负荷并提供血流动力学支持，促进逆向重构。因此，对重构过程的精确评估对于心血管研究、疾病分期的准确判断、个体化治疗方案的制定以及预后分层至关重要。

尽管已有大量研究进展，优化诊断、治疗和预后评估仍然具有挑战性。潜在的疾病通路本身具有高度复杂性和异质性。随着结构性心脏病的介入治疗日益普及以及人口老龄化加剧，临床对心脏重构进行多维度、精准评估的需求不断增长³。然而，目前传统的评估方法严重依赖操作者的经验，仅依赖有限的一组提取参数，且存在测量变异，因此无法满足精准医学的需求⁴^,⁵。

人工智能是计算机科学的一个分支，旨在模拟人类的思维、学习和知识表达。在心脏病学领域，一种重要的人工智能方法是机器学习（ML），它利用算法从数据中提取模式并生成预测。深度学习（DL）是机器学习的一个子集，采用多层神经网络来建模复杂模式。通过模拟人脑功能的某些方面，深度学习实现了医学图像的自动解读及其他高级任务⁶。数据驱动的人工智能涵盖多种机器学习范式，包括监督学习、半监督学习、无监督学习和强化学习模型。通过将多源异构数据与复杂的算法模型相结合⁷，人工智能为突破心脏重构评估中的瓶颈提供了新范式。凭借自动分析⁸、高测量精度⁹和快速数据处理能力¹⁰，人工智能正推动心血管疾病的诊断与治疗从经验驱动转向数据驱动，并为心脏重构的多维度评估提供新的解决方案。

以往关于人工智能评估心脏重构的研究综述通常集中于特定技术或单一应用方面，因而缺乏涵盖结构、功能及电生理维度的整合性方法。此外，这些综述对人工智能在早期预警和长期管理中作用的讨论也较为有限。

本文综述旨在从两个方面提供一个更加整合的视角。首先，我们系统地总结了人工智能在三个维度——结构重塑、功能重塑和电生理重塑——在心脏重塑复杂机制研究中的评估进展，并阐明这三个维度如何共同揭示心脏重塑的复杂机制。其次，我们重点探讨人工智能驱动的多模态数据融合如何支持从早期检测到预后管理的临床路径。我们希望这一整合框架能够引导该领域朝着更加系统化且具有临床可操作性的方向发展。

访问受限。请登录或开始试用以查看此内容。

综述与观点

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

人工智能在评估心脏结构重塑方面的进展

基于人工智能的心脏结构重构评估已沿着三个主要方向发展：（1）心腔的自动分割与容积定量，（2）心肌组织特征分析，以及（3）预测建模与亚型识别。在多项研究中，人工智能算法在从心脏磁共振（CMR）和三维超声心动图（3DE）图像中分割心腔、计算容积及射血分数方面已达到专家级精度，显著减少了人工工作量和操作者间变异。除容积评估外，人工智能还可通过整合先进的CMR序列或运动校正重建技术，实现对心肌纤维化、瘢痕和脂肪组织的检测与定量，从而推动评估从解剖测量向组织层面的特征刻画发展。近年来，研究者已开发出将影像数据与临床参数整合的预测模型，用于不良重构的早期预警；同时，无监督学习方法也被用于识别潜在的结构亚型。总体而言，这些进展标志着从人工、单维度测量向整合性、多维度评估的转变。这种从孤立定量向整合性、多维度评估的发展过程，在图1中被概念化为一个用于结构重构的三通路人工智能框架。

AI结构重塑评估示意图；分析方法、纤维化检测、数据整合。
图1：AI评估心脏结构重塑的框架。该示意图展示了从上至下进行的三条垂直路径。左侧路径实现基本结构定量的自动化（心腔分割、容积/射血分数计算）；中间路径增加了组织特征分析（纤维化检测与定量）；右侧路径通过整合多模态数据实现早期预警，并利用无监督学习识别潜在的结构重塑亚型，从而迈向精准医学。这三条路径按分析复杂性递增的顺序从左至右排列。箭头表示各路径内从上至下的顺序处理流程。尽管目前临床实践中尚未完全整合所有功能，该框架仍展示了未来工作流中如何部署AI，将结构、组织和预测性分析融合为统一的评估体系。请点击此处查看该图的放大版本。

自动化心腔分割与容积定量分析

基于人工智能的自动量化方法正越来越多地应用于克服传统成像技术在心腔分割、容积定量和结构重构评估方面的局限性。心脏磁共振成像（CMR）仍是心肌组织和容积评估的金标准，但其应用受限于可及性、专业技术和成本。人工智能算法在CMR图像分割和功能分析中已达到专家级精度，相比手动方法具有处理速度更快、变异性更小和一致性更高的优势。例如，正交成分分析可直接从心室形态中提取独立的重构特征，避免了传统几何指数固有的冗余性¹¹。此外，人工智能驱动的CMR分析不仅限于容积定量，还可用于心肌梗死与瘢痕检测以及预后预测，在可重复性方面优于传统的手动方法¹²。

与此同时，经胸超声心动图（TTE）因其安全性和实用性，成为首选的初始影像学检查方法¹³。尽管二维超声心动图的机器学习框架在预测分析和表型分类方面已显示出应用价值¹⁴，但三维TTE（3DE）通过减少几何假设，进一步提高了准确性¹⁵。与此优势一致，人工智能驱动的三维超声已被证明在左心室容积测量的准确性方面优于传统的二维成像方法¹⁶。然而，3DE仍存在耗时较长且依赖操作者经验的问题。人工智能通过自动完成左心室（LV）和右心室（RV）的分割及容积定量，有效弥补了这一效率差距。

Tsang 等人¹⁷首次证明，一种全自动自适应分析算法能够从三维超声心动图（3DE）数据中同时测量左心房（LA）、左心室（LV）容积及左心室射血分数，分析时间减少了约50–80%，具体减少程度取决于是否进行轮廓调整。在进行轮廓调整后，该算法对所有容积参数的变异系数均低于10%。随后，Narang 等人¹⁸报道了一种自动化的机器学习算法，可在整个心动周期中动态测量左心室和左心房容积，并在仅需35 ± 17秒的处理时间内生成容积-时间曲线，同时还可计算射血和充盈参数。

这些特定模式的技术进步反映了一种更广泛的趋势，即全面实现由人工智能驱动的心腔分析自动化。基于人工智能的商业三维超声心动图分析平台利用对三维超声心动图（3DE）图像的自适应分析，实现边界检测和左心室（LV）定量的自动化¹⁹；而近期开发的完全自动化人工智能方法则进一步将分析范围扩展至左心房参数，包括左心房容积指数和左心房储器应变²⁰。多项研究一致认为，人工智能可减少人工工作量、加快分析速度，并在心腔分割和容积评估中提高一致性⁶^,²¹。

然而，基于心脏磁共振（CMR）的人工智能在组织表征和可重复性方面表现优异，但受限于成本和扫描时间；而基于超声心动图的人工智能则更具可及性且速度更快，但对图像质量较为敏感。尽管三维超声心动图（3DE）通过减少几何假设提高了相较于二维的准确性，但轮廓标准化和不同厂商之间的差异性仍阻碍其临床广泛应用。值得注意的是，不同人工智能软件在自动超声心动图测量中的一致性尚不明确，目前仍在研究中²²，这凸显了从科研算法向临床实践转化过程中存在的额外不确定性。例如，Szasz 等人²²直接比较了两种已获批准的商用人工智能超声心动图分析平台。两个平台对来自116名受试者的同一组超声心动图图像进行了自动测量。该队列包括健康个体以及患有各种心脏疾病的患者。在十项核心参数中，两个系统在六项上存在显著差异。系统间的变异程度与专家间观察者变异相当。若在随访过程中交替使用不同的人工智能平台，所观察到的变化可能反映的是算法差异而非真实的疾病进展，从而可能影响临床决策的准确性。

心肌组织特性的分析

人工智能已展现出从结构重建中检测和量化心肌纤维化特征的能力²³。定量磁共振成像（MRI）T1/T2 mapping可提供客观的组织表征，但受限于屏气要求。人工智能的整合实现了无创、精确的心肌组织表征，同时减轻了这些限制。Qi 等人²⁴提出了一种基于运动校正模型的端到端深度学习重建方法（MoCo-MoDL），用于自由呼吸下的全心冠状动脉磁共振血管成像（CMRA）。Felsner 等人²⁵进一步扩展了该方法，以比较不同的图像对比度。深度学习模型加快了自由呼吸状态下三维全心T1/T2 mapping的成像速度。结合人工智能的CMR可自动识别心肌纤维化，还可检测类似脂肪的组织，如心外膜脂肪组织（EAT）和冠状动脉周围脂肪组织（PCAT）²⁶^,²⁷^,²⁸。

此外，由人工智能提取的特征（如纤维化程度和心室形态学指标）是预后判断的关键预测因子。多项研究通过整合心脏磁共振成像数据，构建个性化的计算心脏模型，以量化患者特异性纤维化的分布情况。这些模型已成功用于预测肥厚型心肌病患者发生猝死的风险，其预测效能的敏感性、特异性和准确率分别达到84.6%、76.9%和80.1%，显著优于现有的临床风险预测指标²⁹。Rohan Shad 等人首次提出基于视频的超声心动图机器学习系统，用于检测人工超声心动图难以发现的细微区域性心肌运动异常，并将这些信号应用于后续的临床分析，从而实现术后右心衰竭的早期识别³⁰。

心脏重塑的预测模型与数据驱动的表型分层

人工智能预测模型通过整合临床和影像数据，能够对结构重塑提供早期预警。机器学习算法可在左心室肥厚（LVH）发生之前，利用临床特征和心电图（ECG）特征识别异常的左心室几何结构（LVG）³¹。在心肌梗死（MI）患者中，三维左心室表面点集分析可提供重塑的形态学描述指标³²。在射血分数降低的心力衰竭（HFrEF）合并糖尿病患者中，机器学习分析证实了钠-葡萄糖共转运蛋白2抑制剂（SGLT2i）对左心室重塑和功能的积极作用。可解释的人工智能（XAI）算法揭示了临床反应的潜在预测因子，表明其能够超越简单的心力衰竭表型，预测晚期重塑中的治疗反应³³。

人工智能在结构评估中的价值不仅限于量化单一指标；它还通过无监督学习整合高维放射组学特征，揭示出传统分类方法无法检测到的心脏重构亚型。例如，在扩张型心肌病患者中，一种数据驱动的方法识别出具有不同临床进展轨迹和治疗反应的显著亚型³⁴。这一转变表明，人工智能评估正从报告参数转向分析异质性疾病的发病机制。

人工智能在评估心脏功能重塑中的创新应用

心脏功能重构表现为收缩和舒张功能障碍、血流动力学异常以及亚临床机械特性的改变。人工智能通过自动化定量分析、高级参数解析和序列模式挖掘，在精确评估、早期检测和动态预测这种重构方面具有显著优势。该功能评估框架的概述见图2。

人工智能功能重塑评估示意图；包括功能分析、血流动力学建模、表型分型。
图2：心脏功能重塑的人工智能评估框架。该示意图展示了从上至下进行的三条垂直路径。右侧路径实现基本功能定量的自动化（包括切面识别与分割，生成左室射血分数LVEF和心腔尺寸）。中间路径评估高级功能参数，包括应变分析（GLS）、血流动力学建模（瓣膜评估）和舒张功能分类。左侧路径探索前瞻性应用：亚临床检测（隐匿性异常）、时间演变追踪（动态风险）和功能表型聚类（新表型）。三条路径从右至左按分析深度递增排列，分别对应常规定量、高级评估和探索性应用。箭头表示各路径内自上而下的顺序处理流程。尽管目前尚未实现全面整合，但该框架展示了人工智能在未来临床工作流中统一基本、高级和探索性功能分析的潜在路径。请点击此处查看该图的放大版本。

基于超声心动图的自动化功能分析

超声心动图是评估心脏结构与功能及监测心室重构的关键手段³⁵^,³⁶。将人工智能与超声心动图数据相结合，可克服人工操作的局限性，并拓展其在血流动力学建模和隐匿性疾病检测中的应用³⁷^,³⁸。该多模态人工智能系统整合了临床指南标准，融合了超声心动图与心脏磁共振成像的数据，能够自动识别舒张功能障碍的病理基础（如心肌纤维化和瘢痕），并准确分类功能障碍程度（正常/轻度/中度/重度）。其一致性与准确性优于传统方法，为心脏重构的动态监测提供了一种潜在的高效手段³⁹。

人工智能通过自动化切面识别、图像分割和心腔定量分析，提高了功能评估的效率。深度学习模型能够自动识别标准切面，并测量左心室射血分数（LVEF）等关键参数，从而减少对人工操作的依赖，降低主观误差⁶^,⁴⁰。Xiaoshan Li 等人⁴¹开发了一种基于深度学习的系统，用于实时超声心动图质量评估和LVEF估算。该系统在一个大规模多中心数据集上进行训练，可提供客观的图像质量评分，并实现高重复性的准确LVEF测量。类似地，Slivnick 等人⁴²开发了一种用于节段性室壁运动异常检测的深度学习系统，其AUC达到0.96，敏感度为92%。该系统的表现优于三名新手阅片者中的两人（p < 0.05），并与六名专家阅片者的表现相当（F1值分别为94和90）。这些结果表明，人工智能既可作为临床辅助工具，也可作为经验较少阅片者的培训辅助手段。

应变分析与血流动力学参数估计

在应变分析中，机器学习已通过整合临床和超声心动图数据，用于评估左心室重构及预后⁴³。在此基础上，基于深度学习的算法能够通过直接从原始超声图像中提取应变曲线，实现全自动全局纵向应变（GLS）计算。在两个测试-重测数据集中，人工智能将最小可检测变化（MDC）从5.5降低至3.7（数据集I），以及从5.2降低至3.9（数据集II），在24项比较中消除了13项系统性阅片者间偏差，并实现了单次心跳间MDC为1.5的可重复性，而人工阅片者的MDC为2.1–2.3，处理时间为7.9 ± 2.8秒⁴⁴。

这些进展与多中心合作在功能评估标准化方面的努力相汇合。Knackstedt 等人⁴⁵证明，基于全自动机器学习的分析能够快速测量左心室容积、射血分数和纵向应变，支持在心力衰竭相关心室重构中进行自动化评估。综合来看，研究表明人工智能可减轻系统性的人工偏差，提高测量的精确性和标准化水平。

然而，这些改进是否能够转化为患者临床结局中具有实际意义的差异仍有待证实，因为现有研究 predominantly 采用单中心回顾性设计，而多中心验证研究较为匮乏⁴⁵。因此，验证的严谨性与结果的可推广性差异仍然阻碍着研究成果向常规临床应用的转化。

在血流动力学建模中，人工智能将多普勒血流速度与几何参数相结合，构建个体化模型，用于评估瓣膜反流严重程度和心室压力变化。Aaron Long 等人⁴⁶研究表明，深度学习系统在基于全面的经胸超声心动图数据训练后，可准确分类二尖瓣反流的严重程度，展现出显著的临床应用价值。随后，该研究团队进一步报告，该人工智能系统能够准确分类主动脉瓣反流（AR）、二尖瓣反流（MR）和三尖瓣反流（TR），并预测超出已知危险因素的二尖瓣反流进展⁴⁷。随着人工智能架构和训练方法的持续进步，其临床应用价值正稳步提升。

经验丰富的心脏病专家通常会综合多模态数据，而人工智能通过实现大规模、可重复的定量分析，进一步拓展了这一实践，其一致性超越了人类水平。例如，基于12导联心电图的人工智能模型能够识别左心房功能障碍以及射血分数保留型心力衰竭（HFpEF）的重构特征，其依据是人眼无法察觉的模式⁴⁸。因此，人工智能的价值并非取代临床判断，而是通过提取细微的高维生物标志物，支持动态监测。

人工智能识别亚临床功能障碍

人工智能擅长从多模态数据中提取复杂模式，能够检测出常规超声心动图所遗漏的细微心室壁运动特征。与依赖操作者的静态参数分析不同，深度学习可逐帧分析超声视频，以捕捉随时间变化的运动动态。这使得在不可逆重构发生之前，能够早期识别亚临床功能异常，为干预提供关键时间窗。Attia 等人⁴⁹训练了一个卷积神经网络，仅利用心电图数据即可识别无症状左心室功能障碍患者，从而实现更早的诊断和治疗，防止进展为不可逆的病理性重构，并可能降低心力衰竭等严重并发症的风险。

定义新亚型

此外，基于人工智能的功能表现聚类分析正被用于定义新的功能表型⁵⁰。通过对超声心动图视频进行深度分析，可识别出具有显著不同预后患者的复杂运动模式，从而区分患者亚群⁵¹。这种数据驱动的方法将具有相似临床症状的患者划分为不同的机制性亚组，从而推动临床决策从基于群体的指南转向个体化治疗策略。

人工智能在心脏电生理重构评估中的应用

由离子通道功能改变、连接蛋白表达变化和纤维化所驱动的心脏电生理重构，构成了心律失常发生的基质⁵²，然而传统的ECG解读常常难以发现其细微表现⁵³。相比之下，深度学习能够从标准ECG中提取高层特征，用于心律失常风险的早期预警和机制分析⁵⁴^,⁵⁵，实现高维度、时间分辨的信号分析。图3概述了该电生理评估框架。

人工智能评估电生理重构示意图；基于卷积神经网络的ECG与光学标测分析。
图3：人工智能评估电生理重构的框架。该示意图展示了从上至下进行的四个垂直路径。第一条路径（最左侧）利用基于卷积神经网络（CNN）的ECG分析检测与结构相关的电生理变化，以发出功能障碍风险预警。第二条路径通过动态ECG模式识别来鉴定主要的电性疾病，用于通道病诊断。第三条路径研究多模态融合与微观机制，包括多模态数据融合以从ECG和光学标测预测成像表型，以及虚拟疗法的模拟。第四条路径（最右侧）将电生理数据与其他临床信息整合，生成综合风险分层。这四条路径从左到右依次排列，分析复杂性和临床整合程度逐步增加，从单模态检测发展到多模态机制分析，最终实现综合风险评估。各路径内部以箭头表示从上至下的顺序处理流程。尽管该框架尚未在常规临床实践中完全实施，但它展示了人工智能在未来临床工作流中如何整合检测、机制理解与风险预测，以支持电生理重构的研究与应用。请点击此处查看该图的放大版本。

值得注意的是，深度学习并不会取代人类的专业知识，而是对其起到补充作用。尽管人工智能在检测细微模式和实现大规模筛查标准化方面表现出色，但人类判读者在解读非典型表现和处理低质量信号方面仍然更具优势——这些能力是当前的人工智能模型所不具备的⁵⁴^,⁵⁵^,⁵⁶^,⁵⁷。

用于自动检测和分析继发于结构重塑的电生理变化的人工智能

心脏疾病引起的心脏结构重构会产生特征性心电图（ECG）改变，例如复极异常或碎裂的QRS波群⁵⁸。深度神经网络（DNN）能够从静息12导联心电图（ECG）中识别与结构重构相关的心电生理异常。例如，一项研究开发了一种整合年龄、性别和心电图数据的DNN模型，用于预测一年内新发心房颤动（AF），其受试者工作特征曲线下面积（AUROC）达到0.85，显著优于仅使用传统危险因素的模型。在模拟临床应用中，该模型成功识别出62%的高危个体，这些个体随后发生了与房颤相关的卒中事件，表明基于心电图的人工智能模型在筛查隐匿性心电生理改变和提供早期风险预警方面具有实际应用潜力⁵⁶。近期研究的关注点已从心电信号转向心电图像，后者在临床实践中更易获取。2025年提出的一项研究介绍了一种心电图像感知网络（EIANet），可直接分析急诊分诊期间获得的心电图像，以预测急诊室内早期心脏骤停。该模型在内部验证中达到0.896的AUROC，在外部独立数据集上仍保持0.803的AUROC⁵⁷，证明了基于图像的心电分析在急诊风险预测中的可行性。然而，由于缺乏与人类心电图判读者的直接比较，尚不清楚EIANet是识别出了被遗漏的心脏骤停病例，还是仅仅实现了现有模式识别的自动化。该方法可能有助于对高危病例进行优先分级，以实现及时干预。

深度学习在识别隐匿性离子通道与传导异常中的应用

人工智能不仅能够检测由结构性心脏病引起的继发性电生理改变，还能提高对源于离子通道或传导系统异常的原发性心电图疾病的诊断能力。Brugada综合征源于特定离子通道基因的突变，常表现为间歇性或需诱发的心电图特征，具有高度隐匿性且难以发现⁵⁹。深度学习模型能够从连续的心电图记录中提取传统方法容易遗漏的微弱信号特征和动态演变模式，从而提高诊断敏感性。最近一项研究通过使用视觉变换器（Vision Transformer）分析J波和ST段的动态形态变化，在识别高危Brugada综合征患者方面表现出更优性能。该模型在包含278例心电图的平衡数据集上达到了89%的准确率和94%的特异性，在反映真实世界临床患病情况的非平衡测试集上仍保持90%的敏感性和95%的阴性预测值，表明其在识别高风险个体方面具有良好的效能⁶⁰。

人工智能驱动的光学标测：揭示微观机制并推动新型治疗策略

尽管体表心电图人工智能技术提高了临床检出率，但要理解其微观机制仍需直接观察。光学标测技术正是为此目的而开发的。

光学标测技术结合电压和钙离子敏感性染料与高速摄像机，能够以高分辨率非侵入性地记录跨膜电位和钙瞬变，为心律失常机制提供详细信息⁶¹^,⁶²。然而，分析由此产生的大规模时空数据集仍面临诸多挑战，包括运动伪影、信号衰减以及解读困难⁶³^,⁶⁴。基于卷积神经网络（CNN）的深度学习模型已被用于在光学标测视频中自动检测和量化关键的心律失常特征，如相位奇点和传导阻滞线⁶⁴。Lebert 等人开发的一种深度学习模型实现了在离体动物心脏中对心肌兴奋波的实时定位与相位标测。该模型在猪和兔心室颤动模型的光学标测数据上报告的相位预测准确率达到97–98%（角度准确度），表明其在显著提升此类数据分析效率与可靠性方面具有巨大潜力⁶⁵。

多模态数据融合：从电生理评估到综合风险预测

整合多源信息的评估模型能够更全面地捕捉心脏重构的真实程度。在电生理学领域，近期研究已表明此类多模态融合具有显著有效性。Turgut 等人开发了一种深度学习策略，将多模态对比学习与掩码数据建模相结合⁶⁶。该模型在预训练阶段利用配对的心电图（ECG）和心脏磁共振（CMR）数据，将来自CMR的高分辨率结构信息迁移至ECG表征中。在临床推断阶段，该模型仅需标准的12导联心电图。在一项包含40,044名英国生物样本库（UK Biobank）受试者的研究中，该模型对冠状动脉疾病、心房颤动和糖尿病的受试者工作特征曲线下面积（ROC AUC）分别达到73.00%、74.11%和75.56%，优于单独使用CMR（71.88%、73.11%和74.24%）或单独使用ECG（66.90%、69.76%和67.35%）的模型⁶⁶。该方法可被视为一种先进的“信息迁移”融合策略：在预训练阶段从CMR中学到的结构化知识被迁移至基于ECG的推断中，从而利用一种广泛可获取的检测手段实现更丰富的表征能力。

如上所述，相同的多模态融合逻辑也适用于评估结构和功能的重构。多模态数据融合是推动人工智能从单一维度的心脏重构评估向综合性风险评估模型发展的关键技术手段。其目标是整合结构、功能、电生理及临床信息等多方面的证据，以对患者的心脏状况和预后形成统一的评估。约翰斯·霍普金斯大学团队开发的MAARS模型即为这一方法的范例；该模型通过将心脏磁共振数据与电子健康记录相结合，提高了对肥厚型心肌病患者发生心源性猝死的预测准确性⁶⁶。这些进展表明，人工智能驱动的评估正迈向更加整合、预测性和个体化的新阶段，为精准医学提供关键的决策支持。基于人工智能的结构、功能及电生理重构评估构成了一个整合框架，将多源数据与临床决策紧密联系。图4将这三个维度整合为一个统一的评估工作流程。Table 1汇总了上述研究的性能指标和验证细节。

利用人工智能进行诊断和治疗的三维心脏重构评估示意图
图4：用于评估心脏重构的人工智能整合框架。该示意图展示了一个从原始数据到临床应用的完整工作流程，分为五个模块，各模块之间通过箭头连接。数据首先来自多个来源（影像学、电生理学和临床数据）。随后，人工智能技术层利用计算机视觉、时序分析和多模态融合对这些输入进行处理。处理后的数据进入核心评估模块，在该模块中并行评估结构重构、功能重构和电生理重构——每项代表心脏重构的一个独立维度。随后，通过多模态分析、个性化建模、表型识别和动态风险评估对结果进行整合与优化。最终，整合后的信息转化为临床输出：精准诊断、个体化治疗、预后监测以及改善的临床结局。箭头表示数据和信息从左至右的顺序流动，即从数据采集、处理、评估、整合到临床应用的全过程。该框架展示了人工智能如何在未来临床工作流程中作为一个整合系统，协调多源数据、多维度评估和临床决策，而非作为孤立的工具发挥作用。请点击此处查看该图的放大版本。

表1：用于心脏重构评估的人工智能研究的性能指标与验证细节。请点击此处下载该表格。

挑战与未来方向

尽管人工智能在心脏重构评估中已取得令人鼓舞的成果，但其临床转化仍受到若干因素的限制。为解决人工智能证据的异质性问题，我们根据诊断性能和验证的严谨性，将纳入的研究分为三个不同等级（表2）。该框架显示，当前大部分证据属于第三类，这有助于解释研究指标与临床应用之间持续存在的差距。现有证据大多为回顾性研究，仍缺乏强有力的前瞻性数据来证明其临床获益。此外，模型性能常依赖于成像模态、数据质量和患者人群，导致在不同医疗中心和工作流程间的泛化能力受限。

表2：基于人工智能性能的研究分类。贡献性质定义如下：（1）超越人类表现的真实能力；（2）准确度相当但效率更高；（3）具有前景但未经验证的主张。请点击此处下载该表格。

数据异质性与有限的泛化能力

当前人工智能模型的一个关键局限性在于其在不同数据集、扫描设备和医疗机构之间的性能存在变异性。这一点在基于超声心动图和心脏磁共振（CMR）的分割、定量分析及功能评估模型中尤为明显¹⁶^,¹⁸^,¹⁹^,²⁴^,²⁵^,⁴¹^,⁴²^,⁴⁴^,⁴⁵。例如，Narang 等人的研究中进行的 Bland-Altman 分析显示，多个左心房（LA）和左心室（LV）充盈参数的一致性界限宽达 ±50% 至 ±88%，尽管平均偏差较小（<10%），但表明个体水平上的一致性较差。结合该研究样本量较小（n=20）、单中心设计以及因图像质量欠佳而排除了17%的病例，这些发现凸显了此类变异性如何限制模型在常规临床人群中的泛化能力¹⁸。尽管这些系统在内部验证中可能表现良好，但在外部环境或需要人工校正的研究中，其准确性可能会下降¹⁶^,¹⁹^,⁴¹^,⁴⁴。类似的问题也存在于基于回顾性心电图（ECG）、影像学或多种模态数据集构建的预测模型中²⁹^,³⁰^,³²^,³⁴^,⁴⁶^,⁴⁷^,⁵⁶^,⁵⁷^,⁶⁰^,⁶⁶。

回顾性表现与前瞻性效用

另一个主要问题是回顾性表现与前瞻性临床实用性之间的差距。许多研究报道了较高的AUC值、相关性或一致性指标，但较少研究能够证明人工智能在实际临床实践中可改善决策制定、治疗选择或患者预后¹¹^,¹⁴^,³⁰^,³⁴^,⁴⁶^,⁴⁷^,⁵⁶^,⁵⁷。例如，基于人工智能的超声心动图分析可减少处理时间和变异度⁴⁴^,⁴⁵，但其对后续临床管理的影响仍不明确。因此，未来的研究应包括前瞻性验证，并评估人工智能是否真正改变了临床工作流程。

可解释性、整合与治理

深度学习模型通常作为黑箱运行，这可能会限制临床医生的信任，尤其是在基于心电图的风险预测和多模态决策支持方面⁵⁶^,⁵⁷^,⁶⁰^,⁶⁶。与此同时，临床整合仍然面临挑战，因为模型必须适应现有的影像和报告工作流程¹⁶^,¹⁸^,¹⁹^,⁴¹^,⁴²^,⁴⁴^,⁴⁵。伦理和监管问题，包括偏倚、责任归属以及部署后的监测，也需要得到解决⁶⁷。未来的研究应优先考虑可解释性设计、校准以及采用标准化数据采集的多中心验证⁶⁸。

访问受限。请登录或开始试用以查看此内容。

结论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

现有证据表明，在特定技术任务中，人工智能的表现可优于传统的人工评估，尤其是在需要高通量、可重复测量的情况下。这一优势在自动分割、容积定量、应变分析以及基于心电图的模式识别中尤为明显，人工智能可降低观察者间的变异性，缩短分析时间，并检测出难以通过视觉察觉的细微异常。在这些应用场景中，人工智能应被视为一种补充并扩展临床医生专业能力的工具。

同时，重要的局限性仍然存在。在处理低质量数据、非典型解剖结构以及超出训练分布范围的边缘情况时，人工智能的可靠性仍低于经验丰富的临床医生。其输出结果在不同软件平台和医疗机构之间也可能存在差异，尤其是在左心室射血分数（LVEF）自动测量等基于阈值的指标方面，这种差异可能直接影响临床决策，包括植入式心律转复除颤器（ICD）的适用性判断。此外，目前的证据基础主要由回顾性研究构成，人工智能指导的评估是否能够改善前瞻性临床结局仍有待证实。

因此，人工智能的近期作用并非取代专家判断，而是为心脏重构评估提供标准化、高效且可扩展的支持。

未来的发展将依赖于更...

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

该项目由吉林省科学技术厅（YDZJ202501ZYTS071）资助。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

人工智能在心脏重构评估中的应用：从模型到临床整合

本文内容

摘要

摘要

引言

综述与观点

结论

披露

重印与许可

标签

相关文章