心脏驱动着全身血液的流转。心脏的节律性收缩和舒张对血液的驱动作用称为心脏的泵血功能，在收缩时心脏将血液射向动脉，并通过动脉系统将血液分配到全身各组织;舒张时则通过静脉系统使血液回流到心脏，为下一次射血做准备。
然而，随着血液循环适应人体不断变化的新陈代谢需求，这种泵血功能会在一天中不断波动。
了解心脏的泵血活动随每次心跳的变化，这可能有助于解释心脏功能在健康和疾病中的复杂性。
不过，目前用于审查这些变化的工具仍然不够精确。
近日，《自然》期刊上一篇论文介绍了研究人员开发的一个计算平台，该平台使用人工智能(AI)方法来评估心脏超声视频，并提供心脏泵血功能的连续、逐拍测量。
临床医生通常使用一个被称为射血分数(EF)的值来评估心脏功能，射血分数是心脏收缩时左心腔(左心室)被泵出的血容量的百分比。
在正常的心脏中，超过一半的血液被排出;因此，计算射血分数大于50%。
训练有素的医生可以“目测”心脏跳动的超声波视频回路，并对射血分数做出精确的估计。
然而，如果从视频中拿出两个单独的画面，只显示出射血的开始和结束，即使是训练有素的医生也很难估计射血分数。
考虑到每个人的训练和专业知识不同，并不依赖于目测，射血分数是通过在数字图像上追踪左心室的边界来计算的，以估计在开始和结束时的血容量。
建议临床医生通过跟踪心脏3到5次心跳来估计心脏的射血分数;然而，在典型的临床实践中，通常只评估一个节拍。
如果有一种简单的方法可以通过跟踪和平均几次心跳来常规地确定射血分数的精确值，从而提高射血分数估计的准确性，这将会带来巨大的好处，特别是对于那些心脏跳动不规律的人(这种情况称为心律失常)。
如果发生心律失常，心脏搏动持续时间的改变会改变左心室充血和排出的血容量，从而导致射血分数的变化(图1)。
这种可变性使射血分数难以评估为一种类型的心律失常称为房颤。
据预测，到2050年，这种情况将影响美国600万至1200万人，到2060年，将影响欧洲1790万人。
此外，射血分数需要在房颤患者中经常进行评估，因为超过三分之一的房颤患者存在心力衰竭(一种以心脏泵血能力差为特征的状态)。超过一半的心力衰竭患者有心房颤动。
(图1：评估心脏泵血功能的计算方法。)
通过使用人工智能(而不是依靠临床医生来监测)来自动进行心跳评估，将使跟踪几次心跳变得更容易。
对于心律失常患者来说，多次心跳的平均效率比测量一次心跳的效果更好。
为了开发一种基于人工智能的方法来评估射血分数，研究人员使用了10,030个心脏超声视频。
作者使用了一种被称为卷积神经网络(CNN)的人工智能架构，首先对一种基于像素的信息模式(分割)进行半自动检测，以识别视频帧中的左心室;其次，在心跳周期中追踪心室的边界。
利用CNN架构在超声图像中寻找左心室边界并不新鲜，但这里的创新之处在于研究人员们评估了新的三维CNN形式。
这使得他们能够将单个视频帧中二维显示的左心室边界识别(空间信息)与随时间的变化(时间信息)结合起来，以确定关于移动心脏边界所需的信息。
3D CNN的形式曾被广泛应用于各种领域，如一般的视频分析、人体活动评估和医学成像。
然而，研究人员的工作是首次尝试采用这种方法分析如此大量的视频中的心脏超声信息。
再利用视频数据“训练”了3D CNN之后，他们将人工智能生成的射血分数估计值与人类测量的射血分数进行了比较。
他们的3D CNN方法分别以4.1%和6%的平均误差估计了用于验证的两组不同数据的射血分数。
换句话说，平均而言，使用作者提出的3D CNN方法，射血分数估计在95.9%和94%，分别由临床医生报告相应的射血分数测量。
使用作者提出的3D CNN方法，射血分数估计值在由临床医生报告的相应射血分数的95.9%和94%以内。
研究人员又对55名患者进行了测试，其中2名超声专家分别对患者的心跳视频进行了评估。
作者发现，当比较每个患者的人工和人工智能生成的射血分数估计值的可变性时，3D CNN方法产生的结果在两个记录的测量值之间具有最小的射血分数可变性。
此外，使用3D CNN得到的结果在不同的超声设备、不同的测量场合上非常一致。
这种方法每帧视频需要0.05秒，他们认为这比人类专家估计的速度要快。然而，这还没有达到实时反馈的速度，即每帧视频少于0.02秒(对于1.28秒内64帧的速率)。
这种技术将能为医生节约时间，并在复杂医疗程序中持续监测射血分数的超声变化。该技术也可以跟踪比射血分数更敏感的其它参数，以便在早期发现心脏功能的变化。
https://www.nature.com/articles/d41586-020-00819-6
https://www.nature.com/articles/s41586-020-2145-8
閱讀更多 前瞻網 的文章
