一种对视角灵活的深度学习框架，用于自动化分析二维心脏超声图像

为何心脏影像需要辅助之手

心脏的超声扫描是现代心脏病学的基石，但要从中获得可靠信息通常需要多年的培训。在繁忙的诊所、急诊室或偏远地区，这类专业技能并不总是可得，可能会延误心脏疾病患者的治疗。本文研究探讨人工智能（AI）是否能够从几乎任何常见标准角度读取心脏超声视频，使得即便图像由经验较少的操作者使用手持设备采集，也能进行高质量的心脏评估。

读取跳动心脏影像的新方法

研究人员构建了一个深度学习框架，能够分析二维超声心动图的短视频片段——心脏跳动的黑白动态图像。不同于那些要求非常特定拍摄角度的传统计算工具，该系统接受若干常见视角，只要图像中出现主要泵血腔室——左心室。基于这些多样化视角，AI估算三项内容：心脏的泵血能力（左室射血分数，LVEF）、患者年龄和患者性别。关键思想是解除对超声图像视角的刻板要求，使得即便图像不完美也能得到可靠测量。

在多种患者群体上测试系统

为评估该框架的表现，团队在来自明尼苏达州和威斯康星州梅奥诊所站点的数万例标准超声心动图上训练模型。随后，他们在若干独立队列上进行了测试：亚利桑那和佛罗里达的更多患者、来自斯坦福的一个大型公开数据集，以及两个手持超声数据集。其中一套手持数据来自在同一次就诊中既接受标准设备检查又接受手持扫描的患者；另一套来自美国和以色列的医院，该数据集中既有资深技师的手持图像，也有由受过简短培训并配合实时引导软件的护士和住院医生（新手）采集的图像。

AI对心脏与身体特征的估算有多准确？

在这些多样化数据集中，AI对LVEF的估算与专家读片计算值高度一致，在绝大多数病例中差异通常低于十个百分点。它在一个关键的实用问题上也表现良好：判定心脏泵血功能是否明显降低。对于标准设备和手持设备，该系统在识别显著低LVEF的心脏时的表现与人类专家相当。重要的是，当图像由手持扫描仪采集，甚至由使用引导软件的新手操作时，结果依然稳健。只有在少数情况下，新手采集的视频片段与专家采集的同一患者片段的LVEF估算存在显著差异。

心脏运动中隐含的年龄与性别线索

除泵血强度外，AI在仅凭心脏超声就推测个体年龄和性别方面也出乎意料地准确。无论图像来自标准设备还是手持设备，估计年龄与真实年龄高度吻合。性别分类在所有测试组中也具有很高的准确度。尽管这些信息在临床上通常已知，但能从心脏运动中可靠推断这些特征表明超声图像中包含着人眼不常量化的关于衰老和生物学差异的细微模式。作者指出，例如AI估计年龄与实际年龄不匹配时，未来可能反映“心脏的生物学年龄”，并有助于识别更高心血管风险的人群。

这对未来心脏护理意味着什么

这项研究表明，一个通用的AI框架可以将各种常规心脏超声片段转化为有用的临床信息，而无需苛求完美的采集角度或专家操作者。通过准确评估心脏泵血功能并从标准与手持扫描中提取关于患者特征的更广泛线索，该方法有助于在门诊、急诊乃至院前救护中加快分诊速度。尽管该方法仍需在种族和民族更为多样的群体以及更不受控的真实世界环境中进一步验证，但它指向了这样一个未来：更多配备简便手持扫描仪的护理人员能够在床边获得关于心脏健康的可靠见解。

引用: 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

关键词: 心脏超声, 人工智能, 手持超声, 射血分数, 心血管影像