Cedars-Sinai的研究人员报告称，一种人工智能（AI）程序可以通过常见的心脏测试——超声心动图中的视频识别慢性肝病。
“将AI整合到超声心动图中，这种用于捕捉心脏及其相关结构图像的检查，可以在不增加额外成本的情况下诊断出肝病，”Alan Kwan博士说。他是Cedars-Sinai Smidt心脏研究所心脏病学系助理教授，也是发表在《NEJM AI》上的这项研究的资深和通讯作者。
超声心动图是一种利用超声波来可视化心脏及其相关结构的成像技术。如果医生怀疑患者有心血管疾病，通常会首先开具这种检查。一次标准的超声心动图研究通常包含超过50个视频，其中一些视频通常会包括肝脏的图像。
“心脏病患者经常会出现慢性肝病，区分原发性肝病和由心脏病引起的肝损伤可能具有挑战性，”David Ouyang博士说。他是Smidt心脏研究所心脏病学系的心脏病专家、医学人工智能分部的研究员，也是该研究的资深作者。“我们的深度学习模型可以帮助医生发现可能被忽视的肝病，从而指导适当的后续检查。”
根据美国疾病控制与预防中心的数据，估计有450万人被诊断出患有肝病。但美国肝基金会的专家表示，可能还有更多的人患有未被诊断的脂肪性肝病。
“这些新发现展示了AI模型如何帮助我们在身体系统层面而不是单个器官层面增强临床诊断，”Sumeet Chugh博士说。他是Cedars-Sinai医学人工智能分部主任。
研究人员训练了一个AI程序来分析超过150万个超声心动图视频。这个名为EchoNet-Liver的程序能够通过研究超声心动图中捕捉到的肝脏图像来检测肝硬化（肝脏瘢痕）或脂肪性肝病。该技术建立在Ouyang及其同事开发的EchoNet技术基础上，该技术可以识别和分析超声心动图中的模式。
研究人员将深度学习模型的预测结果与通过患者的腹部超声或MRI图像做出的诊断进行了比较。AI程序在检测肝病方面的表现与传统影像学检查由放射科医生读片的结果相似。
研究作者表示，下一步是在随访研究中测试EchoNet-Liver。
其他Cedars-Sinai的作者包括Yuki Sahashi, MD, MSc; Milos Vukadinovic, BS; Hirsh Trivedi, MD; Susan Cheng, MD, MMSc, MPH。其他作者包括Fatemeh Amrollahi, PhD; Justin Rhee, BS; 和Jonathan Chen, MD, PhD。
利益披露：YS报告了来自KAKENHI（日本学术振兴会：24K10526）、SUNRISElab海外研究基金、日本心脏基金会和小川基金会的支持，以及来自m3.com inc.的演讲酬金。DO报告了来自美国国立卫生研究院（NIH; NHLBI R00HL157421和R01HL173526）和Alexion的支持，以及来自EchoIQ、Ultromics、辉瑞、InVision、韩国超声心动图学会和日本超声心动图学会的咨询或演讲酬金。ACK报告了来自InVision的咨询费以及来自美国心脏协会（AHA; 23CDA1053659）和美国国立卫生研究院（NIH; UL1TR001881）的支持。
(全文结束)
