由首尔国立大学盆唐医院循环技术教授尹延仪领导的一个研究团队开发出一种人工智能（AI）技术，该技术能够仅通过超声心动图图像准确诊断左心室肥厚，并区分其病因，引起了广泛关注。
左心室是心脏的核心部分，负责将肺部富含氧气的血液输送到全身，对维持全身血流供应起着重要作用。当左心室壁（心肌）异常增厚并导致心脏功能下降时，这种情况被称为“左心室肥厚”，其可能由高血压性心脏病、肥厚型心肌病和心脏淀粉样变等多种原因引起。由于不同病因的治疗方法和预后各不相同，因此准确区分这些病因非常重要。
尽管超声心动图被广泛用作诊断左心室肥厚的主要检查手段，但仅凭肉眼观察难以区分心室内细微结构差异，因此通常需要进行磁共振成像等进一步详细检查。然而，在这一过程中，如果诊断延误可能会导致治疗延迟，进而引发严重并发症如心力衰竭和猝死，这凸显了对更高效且可靠的诊断方法的需求。
针对这一问题，尹延仪教授团队开展了研究，旨在开发一种基于AI的诊断技术，该技术能够在仅有超声心动图图像的情况下识别病因。
研究团队开发了一个模型，能够通过数字化19,839个特征信息（包括超声心动图图像中的心肌细小模式和形状变化），使AI学习疾病特异性模式，从而诊断左心室肥厚并区分高血压性心肌病、肥厚型心肌病和心脏淀粉样变。
使用来自外部医院的独立验证数据评估了AI模型的性能，结果显示，对于肥厚型心肌病的诊断准确率为96%，心脏淀粉样变为89%，高血压性心脏病为83%。这意味着AI模型能够以非常高的准确率对这三种疾病进行分类。
特别是，高血压性心脏病的传统超声心动图方法诊断敏感性为33%，而在AI模型中提高到了75%。肥厚型心肌病的F1分数也从0.57提升至0.87，表明AI模型整体上优于现有方法。敏感性是指在不漏诊的情况下找到真实患者的比例，而F1分数则是一个综合指标，用于评估诊断的准确性和一致性。
此外，预计在分析过程中，AI判断的重要图像部分将可视化呈现，医疗人员可以自行检查证据，从而提高诊断过程的透明度和可靠性，使得该技术在实际临床实践中具有很高的应用潜力。
尹延仪教授表示，“由于在临床环境中左心室肥厚的病因诊断常常被延误，导致治疗机会丧失或预后不良。”他补充说：“这项研究具有重要意义，因为它提出了利用人工智能克服现有诊断局限的可能性，并能够在超声心动图阶段快速客观地评估病因。”他还提到，计划进一步扩展研究，开发能够帮助鉴别法布里病和丹农病等罕见疾病或运动员生理性左心室肥厚的AI模型。
与此同时，该研究成果已发表在美国心脏协会的权威期刊《Circulation: Cardiovascular Imaging》上。
(全文结束)
