人工智能（AI）已经改变了超声心动图的实践方式，但两项在2024年美国心脏协会科学会议上展示的新研究进一步展示了其改变这一领域的潜力。
“超声心动图是使用AI的理想场所，”洛杉矶西奈山医疗中心的大卫·欧扬博士（David Ouyang, MD）在新闻发布会上表示，“这是最常见的心脏成像形式。它的使用频率比CT和MRI高出数百到数千倍。它涵盖了从非常严重的患者到非常健康的筛查对象的整个疾病谱，因为成本低廉、没有辐射且便携。”
然而，他指出，观察者内变异性以及某些患者群体中可能出现的低质量图像问题是这种成像模式的“阿喀琉斯之踵”。随机研究在超声心动图领域较为罕见，PROTEUS和EchoNet脱颖而出。观察性研究表明，机器学习有潜力提高生成超声报告的效率，并提高初学者超声技师对心力衰竭患者的成像准确性。
在这次会议上展示的两项研究中，第一项是一项随机试验，结果显示基于AI的工作流程可以提高超声技师的效率和产出，同时减少精神疲劳，与传统扫描相比。第二项是一项概念验证研究，展示了一种新的AI工具，能够以高精度全面进行全心脏超声心动图检查。
西北大学费因伯格医学院的阿基尔·纳朗博士（Akhil Narang, MD）在接受TCTMD采访时评论道，超声心动图领域面临的两大挑战包括图像复杂性的增加而缺乏相应的解读技能，以及超声技师的严重短缺。AI有望解决这两个问题。“超声心动图确实适合应用人工智能，”他说，“我认为这两项研究在某些方面可能会有所帮助。”
AI-Echo使超声技师受益
东京顺天堂大学的仓木信行博士（Nobuyuki Kagiyama, MD, PhD）介绍了AI-ECHO随机对照试验的数据。研究人员将四名日本超声技师随机分配，每天使用常规技术（进行传统的手动测量）或AI辅助（使用新加坡的Us2.ai系统自动计算近70个参数，并根据需要验证测量结果）。超声医生检查并批准所有报告。在为期38天的研究期间，超声技师在非AI日和AI日分别读取了268和317次扫描。各组之间的病例在患者性别（54%和60%为女性）、平均年龄（64岁和65岁）和体重指数（22.9和23.2 kg/m²）方面保持平衡，大多数超声心动图参数均在正常范围内，心血管疾病较少。
与标准流程相比，AI工作流程减少了检查时间（14.3分钟 vs 13.0分钟；P < 0.001），增加了每日检查数量（14.1 vs 16.7；P = 0.003）。AI辅助还增加了分析的超声心动图参数数量（25 vs 85；P < 0.001）。调查人员发现AI初始值与最终报告中的值高度一致，仓木信行说。
当被问及使用该系统的感受时，超声技师表示，AI辅助显著减少了精神疲劳；尽管病例负荷增加，研究者也观察到身体疲劳有减少的趋势。“这种工作流程改进可能使超声技师有更多时间从事以人为中心和临床丰富的任务，从而提高工作满意度，”仓木信行建议。
最后，盲审者确定，在AI日的优秀图像质量率高于非AI日。“这可能是因为超声技师不必测量参数，可以更专注于图像采集，”仓木信行说，“另一种可能性是，由于AI的准确性取决于图像质量，超声技师会努力拍摄更好的图像以确保AI提供准确的测量结果。”
虽然值得注意的是AI系统缩短了扫描时间，但欧扬指出，这个日本团队的超声技师速度非常快。他说，美国的超声技师通常需要45到60分钟来扫描一名患者。
纳朗同意目前日本和美国的超声心动图实践存在很大差异。“我们通常为每次扫描预留约一个小时，因此超声技师每天扫描七到八名患者，具体取决于他们的班次长度，”他说。“我认为日本团队可能进行的是有限的超声检查，而且显然他们可以用更短的时间完成更多的检查。”
然而，纳朗表示，这是一场平衡，不仅需要时间来成像和进行测量，还需要时间和精力来准备患者、让他们安顿在检查台上，并沿途回答问题。“我认为还需要看[AI-echo]在哪里值得，以及它在哪些地方具有临床适用性，”他说，并补充说他希望看到未来的复制研究。
PanEcho评估
第二项分析由耶鲁大学医学院的罗汉·克赫拉博士（Rohan Khera, MD, MS）和博士候选人格雷戈里·霍尔斯特（Gregory Holste）共同提出，测试了一种名为PanEcho的新AI工具的能力，该系统旨在全面自动化超声分析和解释。
“在许多情况下，心血管医疗保健的主要瓶颈实际上是这些高技能人员的有限访问，”霍尔斯特在媒体简报会上说。“这是AI自动化工超声分析的一个真正机会。然而，迄今为止，这些努力一次只能自动化一个任务，通常一次只使用一个视图的图像。”
PanEcho接受了120万次超声心动图视频的训练，随后对其在读取39个参数方面的准确性进行了评估。
在18个诊断任务中，PanEcho的受试者操作特征曲线（AUROC）中位数为0.91，尤其擅长室评估。研究人员还发现，该系统能够准确估计连续的超声心动图参数，中位归一化平均绝对误差为0.13，预测左室射血分数（LVEF）在4%以内，平均估计左室后壁厚度在1.2毫米以内。“重要的是，PanEcho在每个任务上的表现与现有的专门针对每个任务的最先进AI模型相当，而PanEcho同时执行所有这些任务，”霍尔斯特说。
进一步的分析发现，当PanEcho仅限于五个关键视图时，其在所有18个任务上仍能保持准确性（中位AUROC为0.85）。“这表明PanEcho辅助筛查在无法进行完整超声心动图的即时护理环境中具有潜在用途，”他指出。
最后，研究人员使用来自加利福尼亚的两个群体外部验证了PanEcho，发现其在地理上表现出色，霍尔斯特说。“这可以改变我们的超声心动图工作流程，既可以在标准超声实验室中提供预读，也可以在核心实验室中为患者提供超声心动图的新一层标准化，”克赫拉补充道。
研究人员已将完整的模型和代码架构在线发布，供任何有兴趣在其机构中测试PanEcho的人使用。“当你把计算机科学家介绍给心脏病学家时，就会发生这种情况，”欧扬评论道。“这使得真正令人兴奋的新技术得以开发。”他还称赞克赫拉和霍尔斯特发布了他们的代码，认为这将使其他人有机会在此基础上进一步发展。“构建这个模型需要大量的基础设施，而这些在这样的演示中并没有充分提及，因为它们涉及大量的背景工作，”欧扬补充道。
纳朗表示，虽然PanEcho技术“相当不错”，但它“不会替代超声心动图技师，但可能提供额外的预读层，我认为这是受欢迎的。”AI还可以帮助确保超声报告的质量和可靠性，他补充道。“这有点像是人类加上AI一起工作会比单独的人类更好。”
未来潜力
尽管许多人吹捧AI在资源有限医院改善超声心动图的潜力，但欧扬告诉TCTMD，目前，它可能首先嵌入学术中心的超声实验室，然后再广泛普及。“不幸的是，这仍然是‘富者愈富’的地方，”他说。“最容易实施的地方是在超声实验室，因为它实际上有一个通用的工作流程，相对标准化，而且这些用于训练模型的图像也来自那里。在即时护理环境中，许多医生不保存他们的图像，他们可能没有互联网连接来运行这些模型，而且从根本上说，图像质量较低。所以AI很难评估。”
资源有限的环境无疑可以从这里研究的AI系统中受益，但这将取决于它们是否有能力首先获取图像，纳朗说。“但我认为更大的用例可能是在拥有大量患者和大量业务的大型中心，”他继续说道，指出将这项技术整合到现有基础设施中将是最大的挑战。纳朗表示，他的实验室已经在测试Us2.ai系统，看看它是否合适，并对测试PanEcho感兴趣。这一过程“需要所有利益相关者坐到桌前——超声心动图技师、超声技师和管理人员，”他说。“另一个需要注意的是成本。这种技术的成本是否有投资回报？”
虽然所有这些新工具都很令人兴奋，进展将继续，但纳朗敦促临床医生准备好拥抱AI，但也进行尽职调查。“有很多供应商，只有少数几个会成为长期集成和财务可持续发展的可行选择。”
(全文结束)
