编者按：便于图像采集和分析，人工智能在心血管成像领域应用越来越多，特别是超声心动图，第70届美国心脏病学会年会（ACC.21）公布了WASE研究，探讨基于机器学习算法的超声影像自动分析，《国际循环》特邀解放军总医院郭豫涛教授解读。

 

    全球超声联盟新冠研究是一项观察性国际研究，旨在确定新冠患者急性心脏疾病类型，以及超声参数在预测临床预后方面的价值。研究假设基于机器学习算法的超声影像自动分析，较专家更少出现检查结果的判读不一致。

 

    研究分为2个阶段。第一阶段回顾性招募医院内确诊的新冠患者，并行超声心动图检查；第二阶段为前瞻性随访3个月，随访全因死亡终点事件。所有超声结果分别经基于机器学习算法的超声影像自动分析及超声心动图专家判读（图1）。超声参数包括左室容积（left ventricular，LV volumes），射血分数，整体纵向应变（global longitudinal strain，GLS)，右室纵向应变（right ventricular，RV GLS）， 右室游离壁应变（free wall strain，RVFWS)，形态等。

 

 

图1 研究设计

 

    研究在亚洲、欧洲、美国及拉丁美洲9个国家13个中心招募患者共870例。住院死亡率为21.6%。第一阶段多因素分析发现年龄、乳酸脱氢酶、既往肺疾病及左室纵向应变、右室游离壁应变等是院内死亡独立危险因素。基于机器学习算法的超声影像自动分析计算的左室射血分数及左室纵向应变差异更小，较专家判读更好的预测院内死亡（图2）。

 

图2

 

    第二阶段平均随访230天，总死亡率为27.4%（188院内死亡，50例随访期间死亡）。专家判读差异性较基于机器学习算法的超声影像自动分析明显增大。单因素及多因素分析显示，基于机器学习算法的左室射血分数及左室整体纵向应变独立预测随访死亡（all P<0.05），而专家判读的上述指标未显示预测死亡风险（图3、4）。

 

 

 

    全球超声联盟新冠研究证实，基于机器学习算法的超声左室自动分析能够预测新冠患者院内及院外死亡。随着人工智能算法越来越多地应用于影像分析、风险预测，基于机器学习算法的超声影像自动分析因为稳定的图形分析，在重复检查中不确定性更少，可以独立预测新冠患者心功能变化及死亡风险。但该研究为回顾性招募，没有充分评估左房、舒张功能及肺动脉压，此外，不是所有的超声心动图像都能定量分析，基于机器学习超声影像自动分析的应用还需要更多的证据。

 

 

    专家简介

 

 

    郭豫涛教授

 

    解放军总医院心血管学部肺血管及血栓性疾病科主任，主任医师，硕士研究生导师。美国心脏学学会荣誉委员，欧洲心脏病协会荣誉委员，中华老年保健研究会心血管专业委员会秘书长。2020年全国心血管病专家学术影响力百强。2021年全国老年医学学术影响力百强。获省部级科技进步一等奖。受邀担任三份国际权威期刊编辑（Thromb Haemostat，Clinical Cardiology， International Journal of Clinical Practice）。十份SCI期刊常约审稿人。欧洲心脏病协会、欧洲心律失常协会、美国心律失常协会、拉丁美洲心律失常协会及亚太心律失常协会等多个国际权威学会共识的中国撰写人或同行评阅人。与英国、德国、瑞士、丹麦、美国、中国香港等研究中心交流，合作开展研究，包括哈佛商学院ICHOM项目，英国全球房颤管理项目，欧盟地平线创新研究项目。完成的七项智能技术房颤管理的创新工作（mAFA系列研究）被2020年欧洲心脏病协会房颤管理指南引用并推荐。 在Eur Heart Journal， JACC， Circulation等发表英文70余篇，累计影响因子超过150分，SCI它引 1031次， H因子14 分。单篇SCI 影响因子23分。专业方向为心血管血栓性疾病及慢病管理。