发表在《美国医学会杂志》（JAMA）上的一项最新研究表明，一种人工智能系统能够在不同地理位置和时间段，使用完整和有限的数据集，可靠且高度准确地解读超声心动图。该系统有望集成到超声心动图实验室，作为辅助解读工具，或在即时护理场景中用作筛查工具，但这有待在实际临床工作流程中进行前瞻性评估。这项研究由格雷戈里·H（Gregory H.）及其同事开展。
PanEcho人工智能模型使用了2016年1月至2022年6月期间，耶鲁纽黑文健康系统（Yale New Haven Health System，YNHHS）常规临床实践中的经胸超声心动图（TTE）信息进行训练。训练数据集包含了来自24405名患者的32265次TTE检查所产生的120万段超声心动图视频。在2022年7月至12月期间，研究人员使用耶鲁纽黑文健康系统中时间上独立的一组数据进行了内部验证。此外，该模型还在四个不同的医疗队列中进行了外部验证，并公开发布以供更广泛的评估。该系统采用了多任务深度学习模型进行训练，能够同时处理诊断分类和超声心动图参数估计。
研究主要使用两项指标评估了PanEcho的性能：
- 受试者工作特征曲线下面积（AUC）：用于诊断分类。
- 平均绝对误差（MAE）：用于超声心动图参数估计。
主要研究发现
诊断准确性
在内部验证中，PanEcho完成了18项诊断分类任务，受试者工作特征曲线下面积（AUC）的中位数为0.91（四分位距[IQR]：0.88 - 0.93）。
参数估计
- 对于21项超声心动图测量指标，归一化平均绝对误差的中位数为0.13（四分位距：0.10 - 0.18）。
- 左心室射血分数（LVEF）：内部估计的平均绝对误差为4.2%，外部为4.5%。
- 检测中度或更严重的左心室收缩功能障碍：内部受试者工作特征曲线下面积（AUC）为0.98，外部为0.99。
- 右心室收缩功能障碍：内部受试者工作特征曲线下面积（AUC）为0.93，外部为0.94。
- 严重主动脉瓣狭窄：内部受试者工作特征曲线下面积（AUC）为0.98，外部为1.00。
有限方案下的性能
- 简略经胸超声心动图（TTE）队列：完成15项诊断任务，受试者工作特征曲线下面积（AUC）的中位数为0.91（四分位距：0.87 - 0.94）。
- 急诊科即时护理队列：完成14项诊断任务，受试者工作特征曲线下面积（AUC）的中位数为0.85（四分位距：0.77 - 0.87）。
综上所述，本研究表明，人工智能模型PanEcho能够在各种实际临床环境中，以较高的准确率解读大量超声心动图参数和诊断标签。研究结果证实了PanEcho未来可集成到标准心血管成像实践中，特别是作为提高超声心动图报告效率和一致性的工具。
参考文献
Holste G, Oikonomou EK, Tokodi M, Kovács A, Wang Z, Khera R. Complete AI-Enabled Echocardiography Interpretation With Multitask Deep Learning. JAMA. 2025;334(4):306–318. doi:10.1001/jama.2025.8731
【全文结束】
