心脏病是全球成人死亡的主要原因，使得心血管疾病的诊断和管理成为全球健康优先事项。超声心动图（心脏超声）是医生最常用的成像工具之一，用于诊断多种心脏疾病和状况。
大多数标准超声心动图提供三维心脏解剖结构的二维视觉图像。这些超声心动图通常会捕获跳动心脏的数百个二维切片或视图，使医生能够对心脏的功能和结构进行临床评估。
为了提高心脏疾病的诊断准确性，加州大学旧金山分校的研究人员着手研究深度神经网络（一种人工智能算法）是否可以被重新设计，以从多个成像视图中同时更好地捕捉复杂的三维解剖和生理信息。他们开发了一种新的“多视图”深度神经网络结构（即架构），使其能够一次性从多个成像视图中提取信息，而不是当前仅使用单一视图的方法。然后，他们使用这种架构训练了演示用的深度神经网络，用于检测三组心血管疾病的疾病状态：左右心室异常、舒张功能障碍和瓣膜反流。
明显的准确性提升
在3月17日发表于《自然-心血管研究》的一项研究中，研究人员比较了分别分析来自UCSF和蒙特利尔心脏研究所的超声心动图单视图或多视图数据的深度神经网络的表现。他们发现，经过多视图训练的深度神经网络相比任何单视图训练的深度神经网络，诊断准确性均有提升，这表明同时整合多个成像视图信息的人工智能模型能够更好地捕捉这些心脏疾病的疾病状态。
“到目前为止，人工智能主要用于一次分析一个二维视图（无论是图像还是视频），这限制了AI算法学习视图之间疾病相关信息的能力，”资深研究作者、心脏病专家、UCSF生物信号研究中心联合主任杰弗里·泰森（Geoffrey Tison）医学博士、公共卫生硕士表示。“能够整合多个高分辨率视图信息的深度神经网络架构，代表了在医学成像中最大化AI性能迈出的重要一步。在超声心动图领域，大多数诊断都需要考虑不止一个视图的信息，因为任何单一视图的信息都只能讲述故事的一部分。”
为什么多视图超声心动图很重要
例如，在评估左心室大小或功能时，同时显示所有心腔的超声心动图视图（A4c）最能捕捉某些左心室壁（下间隔壁和前外侧壁），而另一个垂直的超声心动图视图（A2c）则能捕捉其他重要的室壁（前壁和下壁）。通常，左心室壁的功能可能在一个视图中看起来完全正常，但在另一个视图中却存在显著的功能障碍。
在他们检查的超声心动图任务中，例如识别左右心室异常和舒张功能障碍，研究结果表明，多视图深度神经网络可能学会了每个视图特征之间的相互关联信息，从而实现了更高的整体性能。
“我们的多视图神经网络架构被明确设计为允许模型学习多个成像视图信息之间的复杂关系，”研究第一作者、UCSF心脏病学系助理教授约书亚·巴里奥斯（Joshua Barrios）博士表示。“我们发现这种方法提高了超声心动图诊断任务的性能，但这种新的人工智能架构也可以应用于其他需要多视图互补信息的医学成像模态。”
性能与效率的平衡
研究人员还发现，将三个单视图深度神经网络的预测结果进行平均，其性能优于单一视图深度神经网络，同时计算成本更低，因此为训练多视图深度神经网络提供了一种可行的替代方案。但相比之下，多视图深度神经网络提供了最强的性能。他们建议未来的研究应该探讨多视图深度神经网络架构如何辅助其他医学任务或成像模态。
出版物详情
多视图深度学习提高了超声心动图对主要心脏疾病的检测能力，《自然-心血管研究》（2026）。DOI: 10.1038/s44161-026-00786-7
期刊信息：
《自然-心血管研究》
关键医学术语
超声心动图，舒张功能障碍
临床类别
心脏病学，诊断放射学
由加州大学旧金山分校提供
【全文结束】