背景：电影心脏磁共振成像（Cine CMR）是心脏腔室容积和功能量化的金标准。心肌应变可以从标准电影图像中计算得出，这不仅提高了检测功能障碍的敏感性，还提供了超越左心室射血分数（LVEF）单独评估的预后价值。利用人工智能（AI）进行稳健的自动化应变分析有望减少人工劳动、加快处理速度并最小化变异性，从而促进其融入常规临床护理。本研究旨在验证一种预训练AI工具在已确诊冠状动脉疾病（CAD）的多中心、多厂商患者队列中进行自动化体积和应变测量的准确性。
方法：先前患有CAD的患者参加了DETERMINE（NCT00487279）和PRE-DETERMINE（NCT01114269）研究，在美国66个医疗站点使用来自三个厂商（GE、西门子、飞利浦）的扫描仪进行了临床CMR检查。研究人员使用在Python中通过TensorFlow实现的具有16个卷积层和残差学习单元的预训练类似UNet的卷积神经网络（MASS，版本V2025-EXP，荷兰莱顿大学医学中心）从短轴和2-及4腔电影图像生成自动化轮廓。该方法之前已验证用于体积和射血分数（EF）测量，并成功预测了不良临床结果。研究测量的参数包括左心室（LV）和左心房（LA）的舒张末期容积（EDV）、收缩末期容积（ESV）和射血分数（EF），以及应变指标：LV的全局纵向应变（GLS）、全局周向应变（GCS）和全局径向应变（GRS），以及LA的GLS。由专家使用QMass MR版本7.5（Medis，荷兰莱顿）进行的手动轮廓绘制作为参考标准。研究使用Spearman相关性分析评估了AI衍生测量和手动测量之间的一致性。
结果：研究共纳入761名患者（平均年龄63岁，79%为男性）。基于专家审查，AI算法在2腔、4腔和短轴视图中成功生成左心室轮廓的比例分别为93.6%、97.1%和94.7%。大多数轮廓错误是部分帧缺陷，定义为局部轮廓错误，其中AI边界出现偏离或不完整。在690名患者中，AI衍生和手动测量的左心室EDV、ESV和EF之间的相关性分别为0.94、0.93和0.85（全部p < 0.001）。对于左心房（n = 731），相关性为0.93、0.91和0.79（全部p < 0.001）（图1）。左心室应变与左心室射血分数强烈相关：GCS（r = -0.74）、2腔GLS（r = -0.70）、4腔GLS（r = -0.67），以及与GRS（r = 0.54）（全部p < 0.001）。左心房射血分数与2腔（r = -0.69）和4腔（r = 0.67）的左心房GLS相关（全部p < 0.001）（图2）。
结论：与专家手动分析相比，心脏容积和应变的全自动轮廓绘制和量化可以高精度地完成。强相关性突显了该技术在冠状动脉疾病临床护理和风险评估中的潜力，尽管仍需进一步验证其对手动应变和临床结果的准确性。
【全文结束】