心臟驅動著全身血液的流轉。心臟的節律性收縮和舒張對血液的驅動作用稱為心臟的泵血功能，在收縮時心臟將血液射向動脈，並通過動脈系統將血液分配到全身各組織;舒張時則通過靜脈系統使血液迴流到心臟，為下一次射血做準備。
然而，隨著血液循環適應人體不斷變化的新陳代謝需求，這種泵血功能會在一天中不斷波動。
瞭解心臟的泵血活動隨每次心跳的變化，這可能有助於解釋心臟功能在健康和疾病中的複雜性。
不過，目前用於審查這些變化的工具仍然不夠精確。
近日，《自然》期刊上一篇論文介紹了研究人員開發的一個計算平臺，該平臺使用人工智能(AI)方法來評估心臟超聲視頻，並提供心臟泵血功能的連續、逐拍測量。
臨床醫生通常使用一個被稱為射血分數(EF)的值來評估心臟功能，射血分數是心臟收縮時左心腔(左心室)被泵出的血容量的百分比。
在正常的心臟中，超過一半的血液被排出;因此，計算射血分數大於50%。
訓練有素的醫生可以“目測”心臟跳動的超聲波視頻迴路，並對射血分數做出精確的估計。
然而，如果從視頻中拿出兩個單獨的畫面，只顯示出射血的開始和結束，即使是訓練有素的醫生也很難估計射血分數。
考慮到每個人的訓練和專業知識不同，並不依賴於目測，射血分數是通過在數字圖像上追蹤左心室的邊界來計算的，以估計在開始和結束時的血容量。
建議臨床醫生通過跟蹤心臟3到5次心跳來估計心臟的射血分數;然而，在典型的臨床實踐中，通常只評估一個節拍。
如果有一種簡單的方法可以通過跟蹤和平均幾次心跳來常規地確定射血分數的精確值，從而提高射血分數估計的準確性，這將會帶來巨大的好處，特別是對於那些心臟跳動不規律的人(這種情況稱為心律失常)。
如果發生心律失常，心臟搏動持續時間的改變會改變左心室充血和排出的血容量，從而導致射血分數的變化(圖1)。
這種可變性使射血分數難以評估為一種類型的心律失常稱為房顫。
據預測，到2050年，這種情況將影響美國600萬至1200萬人，到2060年，將影響歐洲1790萬人。
此外，射血分數需要在房顫患者中經常進行評估，因為超過三分之一的房顫患者存在心力衰竭(一種以心臟泵血能力差為特徵的狀態)。超過一半的心力衰竭患者有心房顫動。
(圖1：評估心臟泵血功能的計算方法。)
通過使用人工智能(而不是依靠臨床醫生來監測)來自動進行心跳評估，將使跟蹤幾次心跳變得更容易。
對於心律失常患者來說，多次心跳的平均效率比測量一次心跳的效果更好。
為了開發一種基於人工智能的方法來評估射血分數，研究人員使用了10,030個心臟超聲視頻。
作者使用了一種被稱為卷積神經網絡(CNN)的人工智能架構，首先對一種基於像素的信息模式(分割)進行半自動檢測，以識別視頻幀中的左心室;其次，在心跳週期中追蹤心室的邊界。
利用CNN架構在超聲圖像中尋找左心室邊界並不新鮮，但這裡的創新之處在於研究人員們評估了新的三維CNN形式。
這使得他們能夠將單個視頻幀中二維顯示的左心室邊界識別(空間信息)與隨時間的變化(時間信息)結合起來，以確定關於移動心臟邊界所需的信息。
3D CNN的形式曾被廣泛應用於各種領域，如一般的視頻分析、人體活動評估和醫學成像。
然而，研究人員的工作是首次嘗試採用這種方法分析如此大量的視頻中的心臟超聲信息。
再利用視頻數據“訓練”了3D CNN之後，他們將人工智能生成的射血分數估計值與人類測量的射血分數進行了比較。
他們的3D CNN方法分別以4.1%和6%的平均誤差估計了用於驗證的兩組不同數據的射血分數。
換句話說，平均而言，使用作者提出的3D CNN方法，射血分數估計在95.9%和94%，分別由臨床醫生報告相應的射血分數測量。
使用作者提出的3D CNN方法，射血分數估計值在由臨床醫生報告的相應射血分數的95.9%和94%以內。
研究人員又對55名患者進行了測試，其中2名超聲專家分別對患者的心跳視頻進行了評估。
作者發現，當比較每個患者的人工和人工智能生成的射血分數估計值的可變性時，3D CNN方法產生的結果在兩個記錄的測量值之間具有最小的射血分數可變性。
此外，使用3D CNN得到的結果在不同的超聲設備、不同的測量場合上非常一致。
這種方法每幀視頻需要0.05秒，他們認為這比人類專家估計的速度要快。然而，這還沒有達到實時反饋的速度，即每幀視頻少於0.02秒(對於1.28秒內64幀的速率)。
這種技術將能為醫生節約時間，並在複雜醫療程序中持續監測射血分數的超聲變化。該技術也可以跟蹤比射血分數更敏感的其它參數，以便在早期發現心臟功能的變化。
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
