用于血管分割和流量分析的深度学习，以识别与Fontan患者登记库不良结局相关的群体

为什么研究儿童心脏血流很重要

先天只有一个功能性心室的儿童常需接受一种复杂的手术，称为Fontan手术，以便能够存活到成年期。这些患者在多年间可能看起来稳定，但有些人随后会出现影响心脏和肝脏的严重问题。临床上已采集到能随时间记录血液如何在心脏和血管中流动的详尽MRI影像，但大多数丰富的运动学数据从未被利用。本研究展示了现代人工智能如何在大规模上解锁这些隐藏信息，揭示出与长期健康更好或更差相关的血流模式。

将成千上万张扫描变为可用数据

研究者使用了FORCE登记库，这是一个来自3000多名Fontan循环患者的大型国际心脏MRI影像集合。每次检查都包含跟踪关键血管在每个心跳中血流速度的专门电影序列。为了从这些扫描中学习，团队首先需要在每一帧图像上勾画血管并测量随时间变化的流量——这是一项繁琐的手工工作，估计需要连续一年的专家劳动。相反，他们构建了一个深度学习模型，既能识别正在成像的是哪条血管，又能自动为五条主要通路绘出血管边界：主动脉以及通向和来自肺部的四条大静脉和动脉。

智能分割系统如何工作

系统的核心是一个神经网络，它将每个“电影”视为一个短的三维块：两个空间维度加上时间。输入包括两种版本的MRI信号——一种显示解剖结构，另一种突出显示移动的血液——并在260例专家已手工描摹过血管的检查上进行了训练。该模型不仅勾画结构，还学会识别各血管的类型，并借助扫描时由操作员输入的信息加以辅助。通过这种结合分类与分割的设计，系统在与人工描摹的重叠度上表现很高，并且在几乎所有测试病例中都能正确识别血管类型，尽管Fontan患者常见的异常扭曲和变异解剖增加了难度。

扩展到整个国际登记库

模型验证通过后，被部署到一个自动化云管道，并应用于超过4500例登记库检查。对每次扫描，它自动筛选出流量序列，分割五条目标血管，并为每个心跳生成流量随时间变化的曲线，整个过程无需人工干预。随后专家检查这些结果，发现当五条血管都存在时，大约90%的分割达到临床可用的质量。对于具有特别异常解剖（如静脉复制）的患者，系统表现略差，但仍生成了一个庞大且此前无法获得的干净、随时间变化的血流测量数据集。

发现与结局相关的隐含血流类型

在获得数千条流量曲线后，团队的第二个深度学习模型仅基于血液随时间通过血管的运动，搜索患者的自然聚类。该模型将每对曲线（来自肺动脉或大静脉之一）压缩为紧凑的内部表示，然后将患者分为不同的流型“表型”。有些组表现为平衡、正常尺寸的流量；有些则总体流量减少、流向一侧肺占主导，或流量在心跳的舒张期更为显著。研究者随访患者并发现，即使在校正年龄、射血功能及其他常规指标后，某些血流模式仍与较高的死亡、心脏移植或肝病风险相关联。

这对未来护理意味着什么

简而言之，研究表明血液在Fontan循环中如何流动——哪些血管承载更多或更少的流量以及在心跳的哪个阶段——包含了关于哪些患者可能面临严重并发症的重要线索。作者证明了人工智能可以将大型原始MRI电影档案转化为有意义的流型和风险分组，无需手工描绘或人工制定规则。将来，类似系统可以在儿童做完MRI后自动运行，标记出其流型与高风险组相似的患者，帮助医生定制随访、检测甚至外科计划。超越Fontan患者，这一方法还可推广到其他心脏病、运动追踪成像，甚至是日常信号如心电图，从而更充分利用医院已采集但很少深入挖掘的信息。

引用: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

关键词: Fontan循环, 心脏磁共振成像, 深度学习, 血流模式, 患者风险分层