PanEcho系统目前还不能作为独立的诊断工具，研究人员表示，但它在改善工作流程和患者护理方面展现出了巨大的潜力。
据耶鲁大学健康系统提供的数据，PanEcho是一种基于人工智能（AI）的系统，能够以高准确性和一致性自动解读经胸超声心动图（TTEs）。
研究人员称，这种新颖的技术经过进一步研究后，可以作为超声实验室中的辅助读片工具，或者在即时医疗环境中充当筛查工具。
资深作者罗汉·赫拉医学博士（Rohan Khera，耶鲁医学院，康涅狄格州纽黑文市）在与TCTMD的对话中阐明了PanEcho与其他现有AI工具的区别。他说：“我们一直在教AI像看X光片一样……甚至解读心电图的照片。” 对于PanEcho，该AI模型由视频驱动，并具备执行多种任务的能力，而不仅仅是解决单一问题。
赫拉表示，这个想法是为了开发一种更好地识别异常情况的工具。“它可以像任何临床医生一样跨多个视频进行整合，因为在超声心动图中，你会从不同角度观察心脏。该模型正是这样做的：查看不同的角度，了解正常的样子，并判断是否存在异常。”
赫拉警告说，至少在目前，PanEcho不应作为独立工具使用。“它不应该成为一个完整的读片工具，”他说。
相反，该AI系统可以用作初步筛选层，将患者标记为高风险人群，帮助加快超声心动图技师的工作速度，或提供额外的细节来“补齐可能被忽视的瓣膜疾病或其他明显存在的异常图像，因为这些并不是[成像]研究的重点，”赫拉说道。他补充道，最大的应用可能是那些在心脏上使用即时超声设备但不擅长解释结果的非专科医生。
“随着这些新兴创新的出现，AI比以往任何时候都更接近实践，”赫拉评论道。然而，目标不是取代人类的输入，而是“找到如何有效协同的方式，以此增强我们安全、大规模地诊治患者的能力。”
PanEcho的发展轨迹
他们的研究最初于2024年美国心脏协会会议上展示，并于本周发表在《美国医学会杂志》(JAMA) 上，主要研究者格雷戈里·霍尔斯特（Gregory Holste，德克萨斯大学奥斯汀分校）及其同事使用2016年1月至2022年6月期间耶鲁纽黑文卫生系统医院和诊所的24,405名患者的32,265项TTE研究中的120万份超声心动图视频开发了PanEcho系统。他们在一个单独的TTE数据集中对模型进行了回顾性验证，这些数据是在2022年底在耶鲁完成的，同时还有来自新英格兰、加利福尼亚和匈牙利布达佩斯患者的四个外部队列影像数据。
PanEcho能够在TTE上执行39个标签和测量。研究人员解释说，这些包括“18个诊断分类任务，例如捕捉所有四个心腔及瓣膜疾病的大小、结构和功能，以及21个量化每个心腔的关键尺寸、血流速度等的回归任务。” 在诊断分类方面，受试者操作特征曲线下面积（AUC）中位数为0.91；而在超声心动图参数估计方面，归一化平均绝对误差中位数为0.13。
在内部验证队列中，模型能够准确估算左室射血分数（LVEF，平均绝对误差4.2%），并检测中度或更严重的左室收缩功能障碍（AUC 0.98）、右室收缩功能障碍（AUC 0.93）和重度主动脉瓣狭窄（AUC 0.98）。在外部验证队列和较少视角的有限成像配置文件中，结果同样良好。
研究人员写道，PanEcho系统“推动了当前AI赋能超声心动图的水平，能够从任意组合的二维视图中同时估计所有关键的心脏结构和功能参数。” 随着超声心动图专业知识的稀缺和便携式设备的普及，“该模型可能会为许多社区提供原本无法获得的心血管医疗服务，”他们补充道。
赫拉表示，下一步将是了解这一工具如何改变工作流程，这已经在耶鲁及其他地方展开研究。“它会让过程更快吗？超声心动图的准确性会随着时间的推移而提高吗？这些都是我们现在正在测试的问题。”
有兴趣尝试PanEcho的临床医生和医院可以免费使用——该模型是开源的，并且可以在网上获取。
(全文结束)
