使用深度学习从多普勒声音预测踝肱指数

为何腿部血流重要

全球数百万人受到腿部血流不足的影响，这种情况称为周围动脉疾病。当腿部动脉变窄或硬化时，行走可能变得疼痛，伤口难以愈合，严重时甚至需要截肢。医生有一项简单的检测——踝肱指数，用以比较踝部与上臂的血压以早期发现问题。但该检测耗时、需要专用设备，并且在动脉过于僵硬无法被压缩的人群中常常失效——尤其是糖尿病或肾病患者。本研究探讨计算机是否能聆听手持多普勒设备那熟悉的嗡嗡声，并即时判断血液到达足部的情况。

从嗡嗡声到风险评分

研究人员构建了一个名为 AutoABI 的系统。临床医生不再需要在病人四肢套上多个血压袖带，而是像日常操作一样在踝部使用标准手持多普勒探头。探头采集动脉血液搏动的声音。这些声音以近四秒的短片段记录，来自198名因腿部动脉疾病或糖尿病相关循环问题等原因被转诊至医院血管实验室的患者，总计近800次检测。研究目标是评估计算机程序是否能将每段记录分为四个踝肱指数范围之一，从血流极差到明显正常。

教计算机像专家一样倾听

为了让计算机理解音频，团队首先将每段录音拆分成一秒的片段，捕捉单次心跳的声音。随后将每个片段转换成称为频谱图的彩色图像，显示声音能量随时间和频率的变化。这些图像被输入到称为卷积神经网络的深度学习模型中。模型基于两种版本的常见图像分析架构 ResNet，学习识别与临床上重要的踝肱指数类别相对应的多普勒声音模式。研究人员谨慎地划分了数据，确保同一患者的声音不会同时出现在训练集与测试集中，从而有助于系统学习通用规则而非记忆特定病例。

系统的表现如何

训练完成后，AutoABI 在区分四类血流状态方面表现出很强的能力。对于两种模型版本，它都能以极高的准确度将正常循环与病变区分开来，采用的标准统计指标如受试者工作特征曲线下面积（AUC）在各类中接近或超过0.95。大多数错误出现在“接近正常”与轻度血流减少之间的模糊边界处，这些地方即便是人类专家有时也会凭目测或听觉产生分歧。重要的是，当团队将系统应用于一小组因动脉僵硬无法进行常规踝肱指数测量的糖尿病患者时，模型的预测在所有十例中均与基于多普勒波形形态的专家预期相符。

这在临床上可能意味着什么

作者将他们的方法与仍依赖多个袖带和压力读数的商业自动踝肱指数设备进行了比较。那些设备速度快，但存在同样的弱点：在动脉僵硬无法被压缩时效果不佳。相比之下，AutoABI 仅需广泛可得的手持多普勒和能够运行深度学习模型的设备（例如智能手机）。它以更宽的范围换取精确的数值，但能在床边、急诊室或缺乏完整血管实验室的诊所中提供快速、客观的指导。该系统可能在资源有限的环境中以及传统测量不可靠的高风险患者群体中特别有用。

走向真实世界使用的下一步

该研究是早期概念验证，作者强调其局限性。尽管数据集采集谨慎，但规模有限，且研究到的不可压缩血管数量非常少。录音质量受技师持探头方式和背景噪声影响，而且该系统尚未在不同品牌的多普勒机或繁忙的门诊环境中测试。未来工作需涵盖更大、更具多样性的患者群体，纳入病史信息，并进行持续监测以防止偏差和性能漂移。尽管如此，结果表明教计算机“倾听”血流有望使腿部循环检测更快、更便宜并更广泛可用——有可能在严重血管疾病导致改变生活的并发症之前就发现它们。

引用: Rao, A., Battenfield, K., Fereydooni, A. et al. Enabling ankle-brachial index prediction from doppler sounds using deep learning. npj Cardiovasc Health 3, 21 (2026). https://doi.org/10.1038/s44325-026-00116-7

关键词: 周围动脉疾病, 踝肱指数, 多普勒超声, 深度学习, 肢体灌注