心脏病是全球成年人死亡的主要原因，因此心血管疾病的诊断与管理成为全球健康优先事项。超声心动图（心脏超声）是医生最常用的影像学工具之一，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（3D）心脏解剖结构的二维（2D）视觉图像。这些超声心动图通常捕捉跳动心脏的数百个2D切片或视图，使医生能够对心脏功能与结构进行临床评估。
为了提高心脏状况的诊断准确性，加州大学旧金山分校（UCSF）的研究人员着手确定深度神经网络（DNNs，一种AI算法）是否能够重新设计，以更好地从多个成像视图中同时捕捉复杂的3D解剖与生理学信息。他们开发了一种新的“多视图”DNN结构（或架构），使其能够一次从多个成像视图提取信息，而不是目前仅使用单一视图的方法。然后，他们使用该架构训练了演示DNN，用于检测三种心血管疾病的疾病状态：左心室和右心室异常、舒张功能障碍以及瓣膜反流。
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UCSF和蒙特利尔心脏研究所超声心动图单一视图或多视图数据的DNN的性能。他们发现，与在任何单一视图上训练的DNN相比，在多视图上训练的DNN提高了诊断准确性，更好地捕捉了这些心脏疾病的疾病状态。
“到目前为止，AI主要被用于一次分析一个2D视图（来自图像或视频），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Geoffrey Tison医学博士、公共卫生硕士说。“能够整合多个高分辨率视图信息的DNN架构，代表了在医学影像中最大化AI性能的重要一步。在超声心动图领域，大多数诊断需要考虑来自多个视图的信息，因为任何单一视图的信息都只讲述了故事的一部分。”
例如，在评估左心室（LV）大小或功能时，同时显示心脏所有腔室的超声心动图视图（A4c）最佳地捕捉了某些左心室壁（下室间隔壁和前外侧壁），而另一个垂直的超声视图（A2c）则捕捉了其他重要壁（前壁和下壁）。通常，左心室壁的功能在一个视图中可能看起来完全正常，但在另一个视图中却存在显著功能障碍。对于他们检查的超声心动图任务（如识别左心室和右心室异常以及舒张功能障碍），研究人员的结果表明，多视图DNN很可能学习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专门设计用于使模型能够学习多个成像视图信息之间的复杂关系。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AI架构也可以应用于其他医学影像模式，其中多个视图包含互补信息。”
研究第一作者、UCSF心脏病学系助理教授Joshua Barrios博士
研究人员还发现，将三个单视图DNN的预测结果取平均，其性能优于单个单视图DNN，同时计算成本也更低，因此为训练多视图DNN提供了一种可行的替代方案。然而，相比之下，多视图DNN提供了最强的性能。他们建议，未来的研究应探讨多视图DNN架构如何辅助其他医学任务或影像模式。
来源：加州大学旧金山分校
期刊参考：Barrios, J. P., 等 (2026). 多视图深度学习改善超声心动图对主要心脏状况的检测。《自然心血管研究》。DOI: 10.1038/s44161-026-00786-7.
【全文结束】