一项基于超声心动图的人工智能（AI）筛查模型能够区分心脏淀粉样变性与其他导致左心室壁厚度增加的原因，这一研究成果于7月9日发表在《欧洲心脏杂志》上。
由伊利诺伊州芝加哥大学的Jeremy Slivnick医生领导的团队发现，该模型在基于超声心动图检测心脏淀粉样变性方面表现出高度准确性。
Slivnick及其同事写道：“该AI模型无论年龄、性别、种族和超声设备供应商如何，都能准确区分心脏淀粉样变性与表型相关的对照组，并且优于传统的经胸超声心动图筛查方法。”
由于存在重叠特征，使用临床和影像学技术准确区分心脏淀粉样变性与表型模拟疾病仍然具有挑战性。Slivnick等人开发了一种基于AI的筛查算法，用于检测基于超声心动图的心脏淀粉样变性。
研究人员使用了一个多中心、多民族的数据集（n=2,612名患者）创建了一个卷积神经网络。他们训练该模型通过经胸心尖四腔视图视频片段来区分淀粉样变性和表型对照组。随后，该团队在全球18个中心进行了外部验证，包括597例心脏淀粉样变性病例和2,122例对照组。
研究组还将该算法的准确性与经转甲状腺素蛋白心脏淀粉样变性评分和射血分数保留的心力衰竭及心壁增厚老年患者的增厚评分进行了比较。
在剔除不确定的AI预测结果（13%）后，该模型的受试者工作特征曲线下面积（AUROC）为0.93，敏感度为85%，特异性为93%。无论心脏淀粉样变性的亚型如何，该模型的敏感度在所有亚型中均在84%至86%之间。
该算法在亚组分析中也保持了良好的性能。对于临床转诊进行锝-99m焦磷酸盐显像的患者，AUROC值为0.86；对于匹配的患者，AUROC值为0.92。
最终，该算法的表现优于经转甲状腺素蛋白心脏淀粉样变性评分（AUROC=0.73）和心壁增厚评分（AUROC=0.8）。
研究作者强调，该模型“有潜力提高超声心动图检测心脏淀粉样变性的准确性和效率，从而促进延长生命的治疗措施的应用。”
Slivnick及其同事补充道：“我们的研究与越来越多的证据一致，支持AI在提高超声心动图检测心脏淀粉样变性方面的作用。”
他们还呼吁更好地了解该模型如何融入现有的诊断指南中。
Ultromics公司的研究员工参与了这项研究，该公司也资助了这项研究。完整的研究内容可以在此阅读。
【全文结束】
