摘要
背景
急性心肌梗死会改变心肌细胞的几何结构和组织架构，导致心肌声学特性发生改变。
目标
本研究验证"超声纹理分析"（ultrasomics）——一种基于心脏超声的放射组学新技术，通过提取图像中的高通量像素级信息，识别与心肌梗死相关的超声纹理和形态学改变。
方法
研究纳入684例来自多源数据的参与者：a）回顾性单中心匹配病例对照数据集，b）前瞻性多中心匹配临床试验数据集，c）开源国际多厂商数据集。通过手工提取和深度迁移学习方法，从心尖2腔和4腔切面超声图像中提取特征，并采用留一源交叉验证法进行外部验证，训练机器学习模型。
结果
机器学习模型在心肌梗死识别中的曲线下面积（AUC）显著高于深度迁移学习方法（0.87 [95%CI:0.84-0.89] vs 0.74 [95%CI:0.70-0.77]；P<0.0001）。即便调整传统超声心动图参数后，机器学习概率仍是心肌梗死的独立预测因子（校正OR：1.03 [95%CI:1.01-1.05]；P<0.0001）。在左室纵向应变<16%的心肌功能障碍患者中，机器学习概率仍展现出良好诊断效能（AUC：0.84 [95%CI:0.77-0.89]）。联合纵向应变参数与机器学习概率可显著提升预测效能（AUC：0.86 [95%CI:0.80-0.91] vs 单独纵向应变的0.80 [95%CI:0.72-0.87]；P=0.02）。曼哈顿图可视化分析显示，超声纹理特征可有效区分梗死与非梗死心肌节段（P<0.001），并实现梗死心肌的参数化可视化。
结论
本研究表明超声纹理分析技术在区分健康与梗死心肌方面具有显著潜力，建议在多样化人群中开展进一步验证研究，以明确其相较于传统超声心动图在心肌组织特征评估中的临床价值和增量效益。
关键词
心尖切面；超声心动图；心肌梗死；放射组学；梗死定位；超声纹理分析
缩略语表
a2c：心尖2腔
a4c：心尖4腔
CMR：心脏磁共振
CNN：卷积神经网络
DTL：深度迁移学习放射组学
HCR：手工提取放射组学
LOSO-CV：留一源交叉验证
LS：纵向应变
LV：左心室
MI：心肌梗死
ML：机器学习
【全文结束】
