芝加哥 — 人工智能（AI）在超声心动图中的辅助作用正变得越来越成熟，并证明其在临床应用中的价值。据PanECHO研究结果，通过AI处理的超声心动图视频能够同时完成18项任务，从严重主动脉瓣狭窄到左心室收缩功能障碍和瓣膜反流等指标的分类具有高准确性，中位曲线下面积（AUROC）为0.91。
耶鲁大学医学院（位于康涅狄格州纽黑文市）的博士候选人Gregory Holste在心脏协会（AHA）年度会议上报告称，简化后的成像协议仅使用五种视图仍具有良好的准确性，中位AUROC为0.85，归一化平均绝对误差为0.14。
“超声心动图确实是AI的最佳应用场景，”讨论者David Ouyang博士（来自洛杉矶西奈山医疗中心）说。“它涵盖了心脏生理学的全范围，确实是一个处理超声心动图临床变异性和图像质量评估或影响我们如何评估图像的机会。”
Ouyang称赞了大规模的训练数据集——2016年至2022年间在耶鲁-纽黑文医院收集的28,800项研究中的110万段视频——以及使用的开源AI模型。“数据规模对于评估AI模型的功能或性能至关重要，这使我们能够开发出最佳的AI模型，”他说。现有的大多数用于超声心动图的AI模型都是特定任务的，关注点有限，并且是在小数据集上开发的。
开源意味着医院系统可以采用该模型及其架构框架进行实践部署。“作为操作工具的规模化应用将要求医院内部测试这一工具并内部部署，”共同演讲者Rohan Khera博士（同样来自耶鲁大学）说。“如果需要临床应用并将其与临床用例关联，仍然需要向FDA申请。但许多操作方面可以在内部系统中完成。”
该团队指出，AI用于筛查测试是有道理的，尤其是在资源有限的全球卫生环境中，尤其是在美国以外的地区。AI对超声心动图工作方式的变革“绝对会发生，”会议主持人Nicholas Mills博士（来自苏格兰爱丁堡大学）说。
Mills还提到了在日本AHA会议上展示的第二项研究的外部验证结果，该研究通过随机分配四名超声技师使用AI工作流程或标准工作流程进行了为期38天的试验。结果显示，使用AI辅助后，每天完成的超声心动图数量增加（16.7 vs 14.1次检查/天，P<0.001），超声技师的身心状况也有所改善。
Mills表示，独立试验评估AI在临床实践中的有效性“非常少”，因此“非常重要”。“每天额外三张扫描，这对医疗系统来说可能非常重要。”东京顺天堂大学的Nobuyuki Kagiyama博士展示了日本研究的数据，他表示，由于实验室中的超声技师喜欢减少疲劳和软件带来的简化工作流程，他的中心已经将AI辅助纳入常规临床实践。
“简单的、重复性的任务，如筛查超声心动图，肯定是希望由AI替代的，”他说。“我们不希望AI取代所有任务，包括详细的测量和治疗策略讨论等专业且临床丰富的任务。”
然而，一个担忧是，AI可以从回归模型中提供非常自信的预测，但缺乏透明度，无法检查其得出结论的过程，Ouyang指出。PanECHO试验试图通过在加利福尼亚两个地点的数据上进行外部验证来解决这一问题，并检查AI确定的关键视图，但Ouyang表示还需要更多的努力。
(全文结束)
