韩国首尔大学盆塘医院（Seoul National University Bundang Hospital, SNUBH）的研究团队开发了一种人工智能（AI）技术，可以仅通过超声心动图图像诊断左心室肥厚（Left Ventricular Hypertrophy, LVH），并识别其潜在病因。
这项研究由首尔大学盆塘医院心脏内科的尹연희教授（Professor Yoon Yeon-yee）领导，她带领团队开发了这一AI模型，专门用于通过超声心动图图像诊断和分类左心室肥厚。医院方面表示，这项突破性技术有望在无需额外影像学检查（如核磁共振成像MRI）的情况下，显著提升早期和精准的心脏诊断能力。
左心室是心脏主要负责将富氧血液泵送到全身的腔室。左心室肥厚（LVH）指的是心室壁异常增厚，可能导致心脏功能受损。这种病理状态可能由多种疾病引起，包括高血压性心脏病、肥厚型心肌病以及心脏淀粉样变性。由于不同病因的治疗方法和预后差异较大，因此在临床实践中准确区分这些病因至关重要。
尽管超声心动图被广泛用作诊断LVH的首选方法，但其效果因难以通过肉眼识别细微的心肌差异而受到限制。通常需要更详细的影像技术（如心脏核磁共振成像）来辅助诊断，但这可能会延误治疗，并增加心力衰竭或猝死等并发症的风险。
为了解决这些问题，尹연희教授带领的研究团队开发了一种AI模型，该模型基于从超声心动图视频中提取的19,839个量化特征进行训练，能够捕捉心肌中的精细模式和形态变化。该AI系统不仅可以检测LVH的存在，还可以区分其三种最常见的病因：高血压性心脏病、肥厚型心肌病和心脏淀粉样变性。
在使用外部医院独立数据集进行验证时，该AI模型表现出极高的诊断准确性：对肥厚型心肌病的诊断准确率达到96%，对心脏淀粉样变性的诊断准确率为89%，对高血压性心脏病的诊断准确率为83%。特别值得注意的是，在诊断高血压性心脏病时，传统超声心动图的敏感性仅为33%，而使用AI模型后敏感性提升至75%。此外，针对肥厚型心肌病的F1分数（结合精确率和召回率的综合指标）从0.57提升至0.87，进一步证明了该模型卓越的诊断性能。
该系统还能够可视化超声图像中对其决策过程贡献最大的部分，从而提高了透明度，并增强了临床医生对该系统的信任。
尹연희教授表示：“在临床环境中，延迟识别LVH的潜在病因往往会导致错过治疗机会并导致更差的预后。本研究展示了AI如何克服传统诊断方法的局限性，使超声心动图阶段的评估更加迅速和客观。”
尹教授补充道，未来的研究将进一步扩展到包括法布里病（Fabry disease）和丹农病（Danon disease）等罕见疾病，以及运动员中常见的生理性LVH。
该研究已发表在《循环：心血管影像》（Circulation: Cardiovascular Imaging）期刊上。
(全文结束)
