人工智能在超声心动图中的应用Artificial Intelligence in Echocardiography | Springer Nature Link

人工智能在超声心动图中的应用

摘要

超声心动图是心血管疾病诊断和管理的重要组成部分。人工智能（AI）在医学中的应用是一个快速发展的领域，旨在提高一致性并减少观察者间差异。AI可以成功应用于超声心动图，解决图像获取和解释过程中的差异问题。AI技术为超声心动图提供了新的机会，可以产生准确、自动化且更一致的解释。在上述背景下，本章概述了AI在超声心动图中的当前状态、面临的挑战以及未来应用。

缩写词表

2D：二维

3D：三维

AI：人工智能

EF：射血分数

FDA：美国食品药品监督管理局

HFpEF：射血分数保留型心力衰竭

HFrEF：射血分数降低型心力衰竭

LV：左心室

ML：机器学习

TTE：经胸超声心动图

参考文献

1. Pesapane F, Codari M, Sardanelli F. 医学影像中的人工智能：威胁还是机遇？放射科医生再次站在医学创新的前沿。Eur Radiol Exp. 2018;2(1):35.
2. Narang A, Bae R, Hong H, Thomas Y, Surette S, Cadieu C, et al. 深度学习算法指导新手获取有限诊断用途的超声心动图的实用性。JAMA Cardiol. 2021;6(6):624–32.
3. Voelker R. 心脏超声使用人工智能生成图像。JAMA. 2020;323(11):1034.
4. Kusunose K. 在超声心动图中使用人工智能的步骤。J Echocardiogr. 2021;19(1):21–7.
5. Madani A, Arnaout R, Mofrad M, Arnaout R. 使用深度学习快速准确地对超声心动图进行视图分类。NPJ Digit Med. 2018;1:6.
6. Zhang J, Deo RC. 对Zhang和Deo关于"在临床实践中完全自动化的超声心动图解释：可行性和诊断准确性"一文的回应。Circulation. 2019;139(13):1648–9.
7. Abdi AH, Luong C, Tsang T, Allan G, Nouranian S, Jue J, et al. 对"使用卷积神经网络自动评估超声心动图质量：在心尖四腔视图上的可行性"的更正。IEEE Trans Med Imaging. 2017;36(9):1992.
8. Dong J, Liu S, Liao Y, Wen H, Lei B, Li S, et al. 胎儿超声心脏四腔平面的通用质量控制框架。IEEE J Biomed Health Inform. 2020;24(4):931–42.
9. Kusunose K, Haga A, Inoue M, Fukuda D, Yamada H, Sata M. 使用深度学习对超声心动图图像进行临床可行且准确的视图分类。Biomolecules. 2020;10(5):665.
10. Leclerc S, Smistad E, Pedrosa J, Ostvik A, Cervenansky F, Espinosa F, et al. 使用开放大规模数据集进行2D超声心动图分割的深度学习。IEEE Trans Med Imaging. 2019;38(9):2198–210.
11. Knackstedt C, Bekkers SC, Schummers G, Schreckenberg M, Muraru D, Badano LP, et al. 完全自动化与标准跟踪左心室射血分数和纵向应变：FAST-EFs多中心研究。J Am Coll Cardiol. 2015;66(13):1456–66.
12. Thorstensen A, Dalen H, Amundsen BH, Aase SA, Stoylen A. HUNT研究中左心室整体和区域功能超声心动图评估的可重复性。Eur J Echocardiogr. 2010;11(2):149–56.
13. D'Hooge J, Fraser AG. 了解机器学习以创建自动驾驶的超声心动图实验室。Circulation. 2018;138(16):1636–8.
14. Ouyang D, He B, Ghorbani A, Yuan N, Ebinger J, Langlotz CP, et al. 基于视频的AI用于心脏功能的逐搏评估。Nature. 2020;580(7802):252–6.
15. Lang RM, Addetia K, Narang A, Mor-Avi V. 3维超声心动图：最新发展和未来方向。JACC Cardiovasc Imaging. 2018;11(12):1854–78.
16. Lang RM, Badano LP, Mor-Avi V, Afilalo J, Armstrong A, Ernande L, et al. 成人超声心动图心脏腔室定量的建议：美国超声心动图学会和欧洲心血管影像协会的更新。J Am Soc Echocardiogr. 2015;28(1):1–39 e14.
17. Tsang W, Salgo IS, Medvedofsky D, Takeuchi M, Prater D, Weinert L, et al. 使用自动化自适应分析算法进行经胸3D超声心动图左心腔定量。JACC Cardiovasc Imaging. 2016;9(7):769–82.
18. Levy F, Dan Schouver E, Iacuzio L, Civaia F, Rusek S, Dommerc C, et al. 新自动化经胸三维超声心动图软件在常规临床实践中评估左心室容积和功能的性能：与3特斯拉心脏磁共振的比较。Arch Cardiovasc Dis. 2017;110(11):580–9.
19. Medvedofsky D, Mor-Avi V, Amzulescu M, Fernandez-Golfin C, Hinojar R, Monaghan MJ, et al. 使用自动化自适应分析算法进行三维超声心动图左心腔定量：多中心验证研究。Eur Heart J Cardiovasc Imaging. 2018;19(1):47–58.
20. Medvedofsky D, Mor-Avi V, Byku I, Singh A, Weinert L, Yamat M, et al. 三维超声心动图自动化量化左心腔容积的可行性及其对图像质量的影响：在非选择患者中的影响。J Am Soc Echocardiogr. 2017;30(9):879–85.
21. Narang A, Mor-Avi V, Prado A, Volpato V, Prater D, Tamborini G, et al. 基于机器学习的左心腔容积自动动态量化。Eur Heart J Cardiovasc Imaging. 2019;20(5):541–9.
22. Volpato V, Mor-Avi V, Narang A, Prater D, Goncalves A, Tamborini G, et al. 基于机器学习的自动化3D超声心动图量化左心室质量。Echocardiography. 2019;36(2):312–9.
23. Qin C, Yao D, Shi Y, Song Z. 基于人工智能的胸部X光计算机辅助检测：综述。Biomed Eng Online. 2018;17(1):113.
24. Yassin NIR, Omran S, El Houby EMF, Allam H. 用于乳腺癌计算机辅助诊断的机器学习技术：系统性综述。Comput Methods Prog Biomed. 2018;156:25–45.
25. Sun L, Feng H, Ni L, Wang H, Gao D. 使用经胸3D超声心动图实现左心室容积和收缩功能的完全自动化量化。Cardiovasc Ultrasound. 2018;16(1):2.
26. Asch FM, Poilvert N, Abraham T, Jankowski M, Cleve J, Adams M, et al. 使用模仿人类专家的机器学习算法自动化超声心动图量化左心室射血分数而不进行容积测量。Circ Cardiovasc Imaging. 2019;12(9):e009303.
27. Ouyang D, Cheng S. 从更少中提取更多：高通量临床表型的新前沿。Circ Cardiovasc Qual Outcomes. 2022;15(6):e009055.
28. Alsharqi M, Woodward WJ, Mumith JA, Markham DC, Upton R, Leeson P. 人工智能和超声心动图。Echo Res Pract. 2018;5(4):R115–R25.
29. Zhang J, Gajjala S, Agrawal P, Tison GH, Hallock LA, Beussink-Nelson L, et al. 临床实践中的完全自动化超声心动图解释。Circulation. 2018;138(16):1623–35.
30. Upton R, Mumith A, Beqiri A, Parker A, Hawkes W, Gao S, et al. 使用人工智能自动检测严重冠状动脉疾病。JACC Cardiovasc Imaging. 2022;15(5):715–27.
31. Moghaddasi H, Nourian S. 基于2D超声心动图视频上广泛纹理特征的二尖瓣反流严重程度自动评估。Comput Biol Med. 2016;73:47–55.
32. Playford D, Bordin E, Mohamad R, Stewart S, Strange G. 使用人工智能增强严重主动脉瓣狭窄的诊断：530,871例超声心动图的概念验证研究。JACC Cardiovasc Imaging. 2020;13(4):1087–90.
33. Davis A, Billick K, Horton K, Jankowski M, Knoll P, Marshall JE, et al. 人工智能和超声心动图：心脏超声技师的入门指南。J Am Soc Echocardiogr. 2020;33(9):1061–6.
34. Cai C, Guo P, Zhou Y, Zhou J, Wang Q, Zhang F, et al. 基于深度学习的药物诱导心脏毒性的预测。J Chem Inf Model. 2019;59(3):1073–84.
35. Cai C, Fang J, Guo P, Wang Q, Hong H, Moslehi J, et al. 使用组合分类器进行药物诱导心血管并发症的计算机流行病学评估。J Chem Inf Model. 2018;58(5):943–56.
36. Feeny AK, Rickard J, Patel D, Toro S, Trulock KM, Park CJ, et al. 机器学习预测对心脏再同步治疗的反应：与当前指南的比较。Circ Arrhythm Electrophysiol. 2019;12(7):e007316.
37. Xu B, Kocyigit D, Grimm R, Griffin BP, Cheng F. 人工智能在多模态心血管影像中的应用：最新技术综述。Prog Cardiovasc Dis. 2020;63(3):367–76.
38. Wang Y, Li J, Zheng X, Jiang Z, Hu S, Wadhera RK, et al. 急性心肌梗死后1年主要心血管事件的相关风险因素。JAMA Netw Open. 2018;1(4):e181079.
39. Narula S, Shameer K, Salem Omar AM, Dudley JT, Sengupta PP. 机器学习算法用于2D超声心动图中的形态和功能评估。J Am Coll Cardiol. 2016;68(21):2287–95.
40. Sengupta PP, Huang YM, Bansal M, Ashrafi A, Fisher M, Shameer K, et al. 用于心脏成像的认知机器学习算法：区分缩窄性心包炎和限制性心肌病的初步研究。Circ Cardiovasc Imaging. 2016;9(6):e004330.
41. Sanchez-Martinez S, Duchateau N, Erdei T, Kunszt G, Aakhus S, Degiovanni A, et al. 机器学习分析左心室功能以表征射血分数保留型心力衰竭。Circ Cardiovasc Imaging. 2018;11(4):e007138.
42. Cikes M, Sanchez-Martinez S, Claggett B, Duchateau N, Piella G, Butakoff C, et al. 基于机器学习的表型分组在心力衰竭中识别心脏再同步治疗的反应者。Eur J Heart Fail. 2019;21(1):74–85.
43. Vidya KS, Ng EY, Acharya UR, Chou SM, Tan RS, Ghista DN. 使用DWT、GLCM和HOS方法通过超声图像进行心肌梗死的计算机辅助诊断：比较研究。Comput Biol Med. 2015;62:86–93.
44. Sudarshan VK, Acharya UR, Ng EY, Tan RS, Chou SM, Ghista DN. 超声中心肌梗死阶段识别的数据挖掘框架：混合特征提取范式（第二部分）。Comput Biol Med. 2016;71:241–51.
45. Kusunose K, Abe T, Haga A, Fukuda D, Yamada H, Harada M, et al. 基于深度学习的方法从超声心动图图像评估区域性室壁运动异常。JACC Cardiovasc Imaging. 2020;13(2 Pt 1):374–81.
46. Salem Omar AM, Shameer K, Narula S, Abdel Rahman MA, Rifaie O, Narula J, et al. 基于人工智能的从2维心脏超声图像评估左心室充盈压。JACC Cardiovasc Imaging. 2018;11(3):509–10.
47. O'Brien SM, Feng L, He X, Xian Y, Jacobs JP, Badhwar V, et al. 胸外科医师学会2018年成人心脏手术风险模型：第2部分-统计方法和结果。Ann Thorac Surg. 2018;105(5):1419–28.

问题

1. 1. 在应用于医学影像的AI中，监督学习和非监督学习的主要区别是什么？

A. 监督学习使用标记数据，而非监督学习使用未标记数据。

B. 监督学习使用卷积神经网络，而非监督学习使用循环神经网络。

C. 监督学习用于图像获取，而非监督学习用于图像处理。

D. 监督学习使用GPU（图形处理单元）硬件，而非监督学习不使用。

2. 2. 在资源有限的环境中，AI在超声心动图图像获取中的主要优势是什么？

A. AI指导消除了对任何人工审查超声心动图图像的需要。

B. AI指导可以显著减少获取诊断质量超声心动图图像所需的高技能人员。

C. AI指导增加了图像获取所需的计算能力。

D. AI指导用更便宜的替代品取代传统超声心动图设备。

3. 3. 下列哪项描述了开发适用于临床的超声心动图分割和量化AI算法的关键挑战？

A. 获取具有高几何精度的2D超声心动图图像的困难。

B. 依赖高计算能力实现实时图像分割。

C. 获取大量精心标注的超声心动图图像进行训练的挑战。

D. AI算法在3D超声心动图中无法准确测量心脏容积。

4. 4. AI在超声心动图解释中的应用如何影响左心室射血分数（LVEF）测量的准确性和一致性，与传统手动方法相比？

A. AI自动边界检测算法减少了LVEF测量所需的时间，但对准确性没有显著影响。

B. AI自动边界检测算法通过减少手动方法固有的主观性和变异性，提高了LVEF测量的准确性和一致性。

C. 由于依赖预定义的图像特征，AI自动边界检测算法不如传统手动方法准确。

D. AI自动边界检测算法需要比传统方法更多的手动干预，导致LVEF测量的变异性增加。

答案

1. 1. A

解释：监督学习涉及使用标记数据训练AI模型，其中每个输入都与提供有意义描述的输出标签配对，例如临床特征或结果。这使模型能够从示例中学习并对新数据做出准确的预测或分类。相比之下，非监督学习处理未标记数据，在没有预定义标签的情况下识别数据内的模式和结构。当标记数据稀缺或不可用时，这种方法很有用，因为它允许模型自主发现数据中的隐藏关系。理解这一区别对于在医学影像中应用适当的AI技术至关重要，特别是在超声心动图中，详细的准确图像解释至关重要。

2. 2. B

解释：在超声心动图图像获取中使用AI指导的主要优势是能够显著减少对高技能人员的依赖。AI为新手操作员提供实时规范性指导，使他们能够获得诊断质量的图像。这在资源有限的环境中特别有益，因为训练有素的人员稀缺。使用基于AI的超声心动图设备的当前条件仍然需要心脏病专家审查和批准获取的图像，以确保质量和准确性，同时提高可及性。

3. 3. C

解释：开发适用于临床的超声心动图分割和量化AI算法的关键挑战是获取大量精心标注的超声心动图图像进行训练的困难。心脏病专家的准确标注对于训练AI模型执行可靠的分割和量化至关重要。这一挑战因心脏功能的变异性以及在2D图像中准确定义结构的复杂性而加剧。虽然计算能力和3D测量的准确性很重要，但主要障碍仍然是高质量标注训练数据的可用性。

4. 4. B

解释：文本讨论了AI在超声心动图解释中的自动边界检测算法的优势，强调这些算法有助于测量心脏尺寸和容积，减少手动编辑的需要。这导致LVEF等参数的测量更加一致和准确。确定LVEF的传统方法涉及手动追踪心内膜边界，耗时且高度依赖操作者的专业知识，导致结果的变异性和主观性。相比之下，基于AI的方法使过程标准化，减少了观察者间和观察者内变异性，提供了更可靠和可重复的测量。

【全文结束】