通过多中心研究开发并验证用于心脏瓣膜病筛查的 AI 增强听诊法

以新方式聆听心脏

心脏瓣膜问题很常见，尤其随年龄增长，但通常在严重损害已经出现之前并未被发现。本研究探讨将电子听诊器与人工智能（AI）结合，是否能将一分钟的床边录音转化为强有力的早期警示检测试验，帮助全科医生在心衰或高风险紧急治疗发生前识别隐匿的瓣膜病。

沉默瓣膜问题为何重要

瓣膜像心脏内的门，确保血液向正确方向流动。当它们变窄或发生关闭不全——称为心脏瓣膜病——患者可能只感到模糊的症状，如乏力或气短，这些常被归咎于年龄、体重或肺部问题。因此，超过一半的瓣膜病病例在心脏开始扩张和功能减弱之前从未被识别，这使得治疗更危险且效果降低。最佳检查是称为超声心动图的超声扫描，但它需要昂贵设备和高度训练的人员，因此无法对所有轻微症状者进行筛查。

AI 听诊器的构想

长期以来，医生依赖听诊器来捕捉由瓣膜异常引起的心脏杂音——那种“呼哧”声。但如今许多全科医生缺乏时间或信心去识别这些微妙线索，即便是熟练的听诊者也会漏诊。以往尝试用 AI 的方法只是试图模仿心脏病专家听到并标注为杂音的内容。这种策略有其局限：它无法从人耳听不到的声音特征中学习，并且依赖于小规模、噪声较多的训练数据集。本文研究者采取了不同路径。他们没有把计算机训练成模仿人耳，而是直接使其与超声心动图结果相匹配，提出这样一个问题：给定这段声音记录，患者是否真正存在具有临床意义的瓣膜病？

构建与测试该工具

研究团队从英国多家医院和全科诊所收集了 1,767 名成年人的心音记录及对应的超声结果。近一半被确认为有显著瓣膜病，最常见的是主动脉瓣狭窄或二尖瓣关闭不全。基于这些数据，他们构建了一个循环神经网络——一种擅长分析时间序列信号的 AI。计算机首先将每段录音转换为随时间变化的声音频谱图，然后学习与有临床意义的瓣膜问题相关的模式。对每位新患者，系统在胸部最多四个标准听诊点采集声音并生成一个单一的概率得分，表示存在任何重要瓣膜异常的可能性。

AI 听得有多准确？

在对 263 名从未见过的患者进行测试时，AI“VHD 探测器”能以较高精度区分有无临床重要瓣膜病。在为筛查用途调校的决策阈值下，它正确标记了约 72% 真正存在重要瓣膜问题的患者，同时对约 82% 无此问题者给出正确的阴性结果。对于最危险的病况，表现尤其突出：它识别出 98% 的重度主动脉瓣狭窄患者和 94% 的重度二尖瓣关闭不全患者。研究者还邀请了 14 位英国全科医生对相同录音进行判断。即便将医生的答案合并比较，医生总体在敏感性和特异性上都不及 AI，且个体间表现差异很大。

这对日常护理可能意味着什么

对于繁忙的诊所，AI 增强的听诊器可作为额外的专家之耳。在不到一分钟内，它可能让医生放心重度疾病不太可能存在，或指出最需要做超声检查的患者，而无需高级培训或昂贵的便携影像设备。该研究也有局限：患者主要来自医院科室，因此比真实筛查人群更病重；且全科医生是通过耳机而非面对面听诊。不过，结果表明，经过深思熟虑训练的 AI 能使常规胸前听诊信息量大幅增加，从而为更早以及更公平地获得救命性瓣膜治疗打开了大门。

引用: McDonald, A., Gales, M., Rana, B.S. et al. Development and validation of AI-Enhanced auscultation for valvular heart disease screening through a multi-centre study. npj Cardiovasc Health 3, 5 (2026). https://doi.org/10.1038/s44325-026-00103-y

关键词: 心脏瓣膜病, 数字听诊器, 人工智能, 心脏筛查, 心脏杂音