Гибкая по виду рамочная модель глубокого обучения для автоматизированного анализа двумерной эхокардиографии

Почему обследования сердца нуждаются в помощи

Ультразвуковые исследования сердца — краеугольный камень современной кардиологии, но получение надёжной информации из них обычно требует многих лет обучения. В загруженных клиниках, отделениях неотложной помощи или отдалённых условиях такой экспертизы не всегда хватает, что может задерживать помощь людям с сердечными проблемами. В этом исследовании рассматривают, может ли искусственный интеллект (ИИ) интерпретировать обычные видео эхокардиографии, снятые практически с любого стандартного ракурса, позволяя получать качественную оценку состояния сердца даже при съёмке менее опытными пользователями с портативными устройствами.

Новый способ чтения движущихся изображений сердца

Исследователи разработали фреймворк глубокого обучения, который может анализировать короткие видеоклипы двумерной эхокардиографии — чёрно‑белые движущиеся изображения бьющегося сердца. В отличие от традиционных компьютерных инструментов, требующих очень конкретного угла съёмки, эта система принимает несколько распространённых видов, при условии что на изображении видна главная насосная камера — левый желудочек. По этим различным видам ИИ оценивает три параметра: насколько эффективно сердце перекачивает кровь (фракция выброса левого желудочка, LVEF), возраст пациента и его пол. Ключевая идея — освободить ультразвук от жёстких требований к ракурсу, чтобы получать надёжные измерения даже когда изображения далеки от идеала.

Тестирование системы на разных группах пациентов

Чтобы оценить работу фреймворка, команда обучила его на десятках тысяч стандартных эхокардиограмм из клиник Mayo Clinic в Миннесоте и Висконсине. Затем систему протестировали на нескольких независимых наборах: дополнительных пациентах из Аризоны и Флориды, крупном публичном датасете из Стэнфорда и двух коллекциях портативных ультразвуковых данных. Один набор портативных снимков был получен от пациентов, у которых в тот же визит делали и стандартное исследование, и портативную съёмку. Другой набор собрали в больницах США и Израиля, где портативные изображения записывали как опытные сонографисты, так и новички — медсёстры и ординаторы после краткого курса обучения и с помощью программного обеспечения с режимом реального времени.

Насколько точны были оценки ИИ о сердце и теле?

Во всех этих разнообразных наборах данных оценки LVEF, полученные ИИ, в целом хорошо сопоставлялись со значениями, рассчитанными экспертами, с типичными расхождениями менее чем на десять процентных пунктов в подавляющем большинстве случаев. Система также хорошо справлялась с важной практической задачей: решением, снижена ли сократительная функция сердца в явной степени или нет. Для как стандартных аппаратов, так и портативных устройств способность системы выявлять значимо низкую LVEF была сопоставима с показателями человеческих специалистов. Важно, что результаты оставались устойчивыми при съёмке портативными сканерами и даже когда ими пользовались новички с помощью программного обеспечения‑подсказки. Только в небольшом меньшинстве случаев оценки LVEF по клипам, снятым новичками, существенно отличались от клипов, снятых экспертами для того же пациента.

Скрытые подсказки о возрасте и поле в движении сердца

Помимо силы сокращений, ИИ оказался неожиданно хорош в угадывании возраста и пола человека по одному лишь ультразвуковому изображению сердца. Оценённый возраст сильно соответствовал истинному возрасту, независимо от того, получены ли изображения на стандартных аппаратах или на портативных устройствах. Классификация пола также была высокоточной во всех тестовых группах. Хотя эти характеристики уже известны в клинике, способность надёжно выводить их по движению сердца указывает, что ультразвуковые изображения содержат тонкие признаки старения и биологических различий, которые человеческий глаз обычно не количественно оценивает. Авторы предполагают, что несоответствия между возрастом, оценённым ИИ, и фактическим возрастом, например, могут в будущем отражать «биологический возраст сердца» и помогать выявлять людей с повышенным сердечно‑сосудистым риском.

Что это значит для будущей помощи при заболеваниях сердца

Исследование демонстрирует, что единый ИИ‑фреймворк может превращать широкий набор рутинных клипов эхокардиографии в полезную клиническую информацию, не требуя идеальных углов съёмки или специалистов‑операторов. Точное определение сократительной функции и извлечение более общих подсказок о характеристиках пациента как из стандартных, так и из портативных снимков может поддержать более оперативную сортировку в поликлиниках, отделениях неотложной помощи и даже при доврачебной помощи. Хотя работу ещё предстоит проверить на более расово и этнически разнообразных группах и в менее контролируемых реальных условиях, это указывает на будущее, в котором больше медицинских сотрудников, вооружённых простыми портативными сканерами, смогут получать надёжную информацию о состоянии сердца у постели больного.

Цитирование: Anisuzzaman, D.M., Malins, J.G., Jackson, J.I. et al. A view-flexible deep learning framework for automated analysis of 2D echocardiography. npj Cardiovasc Health 3, 17 (2026). https://doi.org/10.1038/s44325-025-00100-7

Ключевые слова: эхокардиография, искусственный интеллект, портативный ультразвук, фракция выброса, кардоваскулярная визуализация