多视角深度学习提高超声心动图对主要心脏疾病的检测

这对心脏健康为何重要

每天，心脏超声检查帮助医生决定谁需要紧急治疗、谁可以安全出院。但这些检查从许多不同角度记录心脏，没有人类或计算机能对每一帧都做到完美细致地查看。这项研究展示了一种新型人工智能如何像经验丰富的心脏病专家一样，同时观察若干移动视图，从而更擅长发现重要的心脏问题。

用二维影像观察三维器官

心脏是一个三维且不断运动的器官，然而标准超声心动图把它记录为数十甚至数百段平面的二维影像序列。每个视角揭示不同的心壁、腔室和瓣膜。心脏病学专家会在脑中将这些视图拼接成三维图景，然后判断心脏是否收缩有力、在心跳间是否能正确舒张，或瓣膜是否存在回流。现有的大多数人工智能工具却只一次查看一个视角或一幅静态图像，这意味着它们很容易漏掉只有在其他角度才能看到的问题。

教会 AI 从多个角度观察

研究者设计了一种“多视角”深度神经网络，能够同时输入来自不同角度的三段超声视频。在网络内部，早期层随时间观察每段视频，学习该视角内的运动模式。一组专门的层随后在视角之间融合信息，使系统能够注意到例如在一个视图中看似正常的心腔，在另一个视图中可能显得扩大或功能减弱。这与人工阅读者跨视角交叉核对线索的方法相呼应，但 AI 可以对每段视频的每一帧保持一致的关注。

将系统投入测试

为验证这种多视角方法是否真正有益，团队在加州大学旧金山分校接受治疗的成年人大量超声心动图上训练该网络，规模达数万例。他们聚焦三类诊断：第一，任何主要心腔的大小或泵血功能异常；第二，一种更微妙的问题称为舒张功能障碍，即心脏在心跳间不能很好地放松——医生通常仅凭标准亮度图像难以判断；第三，主要心脏瓣膜的显著返流，需借助显示血流的彩色超声信号观测。

对于每项任务，科学家们构建了对照系统，遵循当前常规：在单一视角视频上训练的单视角 AI 模型，以及将三个独立单视角模型输出简单“平均”后的方法。总体而言，多视角网络更为准确。一个常见指标——受试者工作特征曲线下面积（AUC），用以总结检测将病变与健康区分开的能力——比最佳单视角模型提高了约 0.06 到 0.09。即便是已经优于任一单视角的平均模型，也仍落后于为多视角设计的专用网络。

在真实世界中检验性能

为了确保系统并非仅针对单一医院的操作习惯进行调优，作者将训练好的模型在加拿大蒙特利尔心脏研究所的超声心动图上进行了测试，这些数据采集于几年之后且在解读时采用了略有不同的测量规则。尽管存在这些差异，多视角网络在心腔问题和瓣膜返流的检测上仍表现良好，对舒张功能障碍的表现仅有适度下降。团队还按年龄、性别和超声设备类型对数据进行了分层，发现各组的准确性保持一致性较高。

窥视“黑盒”内部

研究者使用可视化技术高亮出哪些图像区域对 AI 决策影响最大，结果证实网络倾向于聚焦于医学上合理的结构：对于腔室问题关注心脏的收缩壁；对于舒张功能障碍关注左上方心腔；对于瓣膜返流关注瓣膜组织及血流信号。尽管这些工具仅能粗略地显示系统“思考”的窗口，但它们有助于让临床医生放心，AI 并非基于图像中的无关伪影或刻意添加的标签给出结论。

对未来医疗的意义

对非专业人士来说，核心信息是：教会 AI 同时从多个角度观察心脏，能提高其区分正常与异常的能力，甚至实现人类读片者通常无法仅凭原始视频作出的新诊断。该研究表明，未来的超声系统可以自动标记可能存在严重问题的检查，以便医生更快地审阅，同时将例行检查置于较低优先级。更广泛地看，研究为在多种医学影像中使用多视角 AI 提供了蓝图，可能提升全身各部位诊断的速度与可靠性。

引用: Barrios, J.P., Ansari, M.U., Olgin, J.E. et al. Multiview deep learning improves detection of major cardiac conditions from echocardiography. Nat Cardiovasc Res 5, 234–245 (2026). https://doi.org/10.1038/s44161-026-00786-7

关键词: 超声心动图, 深度学习, 心脏影像, 瓣膜病, 舒张功能障碍