指南与共识心血管US

英国超声心动图学会:AI在超声心动图中的立场声明

Artificial intelligence in echocardiography: a position statement from the British Society of Echocardiography.
指南 / 共识 · Echo Res Pract · 2026-07-20

本文是英国超声心动图学会(BSE)发布的立场声明,系统评估了AI整合进超声心动图工作流程的机会、局限与实施要求。声明覆盖患者分诊、图像采集、定量分析、报告、疾病识别和风险分层,并采用技术就绪水平(TRL)分级。该文件强调AI应作为辅助工具,需在治理、培训、公平性和法规框架下审慎部署。

要点

  • AI定量测量(如左心室射血分数)已广泛商用,但最终解读和决策责任仍在医师。
  • AI引导采集虽可帮助经验不足者,但可能掩盖图像质量差或延误识别重要病变。
  • 在图像质量差或数据不平衡时,AI输出需更多人工校正,不应默认提高检查效率。

核心结论

  • AI可改善超声心动图工作流程,但多数模型仍在研发或早期验证阶段,除部分自动测量和采集工具外,临床采用有限。
  • AI模型在超声心动图中的安全有效整合,需通过独立外部验证、质量保证和持续专业培训来保障。
  • 现有法规框架不足以明确AI相关临床错误的问责,需加强法律和治理结构。

研究设计与样本

  • 本文件为英国超声心动图学会(BSE)组织的多学科写作组通过迭代讨论、结构化审查轮次和BSE理事会最终批准达成的专家共识立场声明。
  • 写作组包括心脏病学医师、心脏生理学家、临床科学家、临床学术人员、AI研究人员以及患者和公众代表。
  • 声明内容基于PROSPERO注册的系统综述(CRD420251080283)和患者及公众意见,并采用技术就绪水平(TRL)九级量表评估模型成熟度。

关键影像表现/征象

  • AI模型可识别斑点噪声和伪影,但在融合多次屏气三维超声心动图图像以保持心肌位置一致方面仍属研究开发阶段。
  • AI可自动测量左心室射血分数、整体纵向应变、瓣膜功能和右心室大小,但多数模型尚未获得监管批准。
  • AI在疾病识别上可分析应力超声检出冠心病、识别心脏淀粉样变性及区分左心室肥厚病因(运动员心脏、肥厚型心肌病、高血压性心脏病)。
  • AI模型筛查主动脉瓣狭窄、二尖瓣反流、三尖瓣反流和主动脉瓣反流等瓣膜性心脏病,部分已获监管批准。
  • AI可分析超声心动图图像与表格数据结合的特征,发现人眼难以察觉的模式,用于心脏占位特征描述和风险分层。

诊断标准与关键数值

  • 技术就绪水平(TRL)九级量表用于区分早期AI模型与已获监管批准、资金批准并在真实世界医疗场景部署的模型。
  • 在支持患者转诊和分诊方面,深度学习模型可协助准确高效的分诊,大语言模型可整合患者信息、临床表现和学会分诊指南,但目前AI模型TRL为1-2。
  • AI引导图像采集工具已在多家超声厂商提供,技术就绪水平为TRL 9;AI图像质量改进模型(去噪、伪影、三维融合)TRL为1-5。
  • 自动心脏结构与功能测量已普及于大部分新型超声设备,TRL为9;其他AI定量模型仅少数获批,TRL为3-9。
  • AI在疾病识别方面结果不一,部分模型已有足够证据获得监管批准,其余仍处早期阶段,TRL为2-9;风险分层模型均在研发阶段,TRL为1-5。

临床应用与阅片要点

  • 超声医师应主动参与监督AI输出,避免自动化偏倚和「操作者脱出」导致的错误,保留对AI结果的批判性解读和最终临床责任。
  • 在图像质量较差或欠佳的研究中,AI工具需要更多人工修正和更长测量时间,不能默认可直接提高检查吞吐量或减少预约时间。
  • 在服务或科室层面保持使用AI的透明度,当AI影响诊断解读或治疗决策时需向患者进行更明确的沟通。
  • 数据中心化受限,应采用协作、分步、透明的数据共享方式,避免依赖大型国家数据湖,以确保模型在本地设备和人群中的泛化能力。

局限性

  • 多次强调现有证据多为非英国人群训练、测试和验证,在NHS环境中的真实世界证据有限,生产力提升的说法需谨慎解释。
  • 训练数据常未充分代表女性、少数族裔、先天性心脏病或瓣膜修复/置换患者,可能造成性能偏差并加剧健康不平等。
  • 多数AI工具通过FDA 510(k)实质等效途径获批,未要求前瞻性临床安全性、有效性或泛化性证据,导致上市时临床验证有限。
  • 本声明为共识文件而非传统叙述性综述,且AI领域发展迅速,当前共识需定期审查和更新。
全文中译20 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Echo Res Pract. 2026 Jul 20;13:26. doi: 10.1186/s44156-026-00124-4

引言

超声心动图是评估心脏结构和功能的基础影像学手段,具有广泛的可用性[1]和悠久的技术创新历史[2]。随着人工智能(AI)在医疗健康领域的应用日益深入,其在超声心动图采集、分析、报告和风险分层等环节的变革潜力正在迅速增长。近年来,该领域的研究产出呈指数级增长[3],但在超声心动图服务中的临床采用仍然有限且不均衡。

鉴于制定国家指南的必要性,英国超声心动图学会(BSE)委托撰写本立场声明,旨在对AI在超声心动图中的当前应用现状提供结构化、以共识为导向的评估。本文件的目的并非提供传统的叙述性综述,而是阐明BSE对于将AI安全、公平、有效地整合到超声心动图服务中的机遇、挑战和要求的立场。虽然主要聚焦于英国背景,但本立场声明中概述的许多原则和考量也可能适用于超声心动图服务提供模式相似的国家。

为确保流程的稳健性和代表性,BSE组建了一个多学科写作小组,成员包括心脏病专家、心脏生理学家/临床科学家、临床学术人员、AI研究人员以及患者和公众代表。共识通过反复讨论、结构化评审轮次以及BSE理事会的最终批准达成。本文件反映了该小组的集体共识,并就实践、治理、人才队伍建设和未来研究发展提出了建议。本文件聚焦于整个超声心动图工作流程(见图1),并参考了一项系统性文献综述(PROSPERO:CRD420251080283)以及来自患者和公众的意见。AI在超声心动图领域的发展日新月异,因此,本立场文件中概述的当前共识将需要定期审查,必要时将发布更新版的BSE立场声明。

图1 人工智能在超声心动图工作流程中的应用 查看原图 ↗

AI整合到临床超声心动图路径中

技术就绪水平(TRL)量表已被广泛用于评估预期部署到真实世界环境中的新技术的成熟度和就绪程度。这一九级量表提供了一个框架,可用于评估和传达AI模型的开发阶段,从而区分早期阶段的AI模型与已获得适当监管批准、资金批准并已部署到真实世界医疗环境中的模型。该量表最近也被用于医学影像领域内的AI和机器学习应用[4–6]。本立场声明采用TRL量表,以明确区分已准备就绪可用于临床部署的AI模型与需要进一步证据支持的模型(见图2)。为了支持TRL评估并确保全面覆盖现有的AI超声心动图应用,我们开展了一项系统性综述。该综述的详细信息可在PROSPERO(CRD420251080283)上查阅。

图2 超声心动图领域AI模型的就绪水平 查看原图 ↗

人工智能(AI)如何帮助患者转诊、超声心动图分诊和预约安排?

超声心动图医师/技师的一项关键职责是在患者接受超声心动图检查之前、期间和之后与其互动。这包括核对转诊的适应证和适宜性,并将检查结果和后续步骤告知患者及其家属。尽管这种互动不太可能被 AI 取代,但 AI 可以简化初步转诊、分诊和预约安排。已有研究表明,深度学习模型可支持对适宜转诊进行准确、高效的分诊 [7]。此外,大型语言模型有潜力通过整合患者信息、临床表现和学会分诊指南来支持患者转诊和分诊 [8]。这可能通过根据临床需求确定患者的优先级,帮助超声心动图服务更有效地分诊请求。

超声心动图检查的高效安排在患者诊疗路径中具有重要意义,有助于减少等待名单并改善患者可及性。这一安排过程通常并不简单,并受到行政人员协调预约的可用时间以及患者自身可用时间的影响。通过分析历史数据,AI 或许能够预测就诊高峰时间以及某些时段不太可能赴约的患者人群特征,从而实现最优安排并提高服务效率。目前,超声心动图领域尚缺乏关注这一问题的 AI 模型(TRL 1–2)。

AI 如何改善超声心动图图像采集?

超声心动图是一种专门的影像学检查方式,需要训练有素的超声心动图医师/技师来提供安全的患者诊疗 [9]。它涉及在有限时间内采集全面且标准化的影像数据集,这对经验不足的超声心动图医师/技师而言可能是一项挑战。在急诊或社区环境中,这一点尤其具有挑战性,因为获得训练有素的超声心动图医师/技师的机会可能有限 [10]。已有研究表明,AI 模型可改善正确且具有诊断价值的超声心动图图像的采集 [11–13],这可能有助于培训新手超声心动图医师/技师。在经验丰富的超声心动图医师/技师有限的情况下,这也可能有助于患者的早期诊断和及时开始治疗。该技术目前已在多家超声心动图设备厂商中可用(TRL:9)。

为改善图像质量,AI 模型也正在开发中。研究已强调,深度学习模型有潜力识别并去除噪声和伪影 [14]。此外,还有关于在屏气条件下融合多幅三维超声心动图图像的研究,使心肌在不同采集过程中能够显示在同一位置 [15, 16]。目前,这些 AI 模型仍处于研发阶段(TRL:1–5)。

AI 模型如何改善定量分析?

超声心动图是一种复杂且依赖操作者的成像方式,需要在不同声窗下获取和解读大量参数[17]。尽管已有成熟的临床指南,操作者内部和操作者之间的变异性仍然是一个重大挑战,常常影响超声心动图测量的可靠性和可重复性[18]。这些不一致性可能影响诊断准确性以及使用超声心动图对患者进行纵向监测的临床意义。一个典型例子是左心室射血分数的超声心动图评估,既往研究显示观察者间变异性高达±14%[19]。对于接受心脏毒性化疗的患者,这种变异性可能导致对左心室射血分数的误判,从而可能造成不必要的治疗延迟[20]。人工智能模型正日益显示出标准化测量和减少变异性的能力,尤其是在常用超声心动图参数的定量方面,包括左心室射血分数[21–25]、左心室整体纵向应变[26]、瓣膜性心脏病评估[27–32]和右心室腔室定量[33]。虽然符合指南的人工智能定量对于标准化超声心动图评估至关重要,但人工智能驱动的解读分析的兴起也是一个快速扩展的领域,利用计算能力检测可能被人工阅片者忽略的病理模式[34]。心脏结构和功能的自动化测量现已普遍存在,并在大多数最新的超声心动图设备上可用(TRL:9)。大多数其他人工智能定量模型似乎仍处于研究/开发阶段,少数获得监管批准(TRL:3–9)。

人工智能如何支持超声心动图报告?

超声心动图报告应清晰、简洁,并有效地向转诊医生传达关键发现。为支持这一点,已有关于正常和病理评估的指南[35–44]。然而,由于超声心动图报告技术性很强,非专科医生可能难以理解[45]。使用大语言模型有可能以标准化方式自动起草摘要,在回答临床问题的同时提供符合指南的发现。此外,还可能有机会将临床摘要自动转换为患者摘要,并翻译为其母语。使用简单、通俗的语言,这可以及时改善往往复杂的临床信息向非专科转诊医生和患者的可传达性。另外,人工智能模型可能能够支持识别不一致之处,当不同测量从病理生理学角度不一致时,或当测量与结论中的相应文字不匹配时,发挥“合理性”核查作用。然而,目前这些仍处于研究/开发阶段,尚无专门针对超声心动图的模型(TRL:1–2)。

人工智能可以在超声心动图上支持疾病识别的哪些方面?

人工智能在超声心动图中的应用有望通过分析图像特征、表格数据或两者结合来增强心血管疾病状态的早期检测,从而可能揭示超出人类感知能力的模式[46]。这之所以成为可能,是因为能够在短时间内利用来自超声心动图检查的大量诊断信息。

迄今为止,AI模型已在若干临床应用中显示出可喜的结果。这些包括在负荷超声心动图中检测冠状动脉疾病[47],以及识别心脏淀粉样变性[48–50]。AI模型在描述心腔内肿块特征[6, 9]以及确定左心室肥厚的病因方面也显示出潜力。对于后者,AI模型已能够准确、可靠地区分运动员心脏、肥厚型心肌病和高血压性心脏病[51, 52]。此外,AI模型在瓣膜性心脏病的评估中也显示出实用价值,包括主动脉瓣狭窄[27, 31, 53]以及二尖瓣、三尖瓣和主动脉瓣反流[28]。若干AI模型已积累了足够的证据获得监管批准,而其他模型仍处于较早的开发阶段(TRL:2–9)。

AI在患者风险分层中扮演什么角色?

超声心动图提供重要的风险分层信息,支持医疗专业人员就患者管理做出明智决策。传统上,二维超声心动图的左心室射血分数一直是最常用的预后标志物,尽管其存在局限性[54]。然而,AI模型有潜力识别以前未知的超声心动图标志物或影像表型,从而可能改善风险分层并实现个体化医疗的提供。在主动脉瓣狭窄患者中可以看到一个例子,一个结合了多种数据来源(超声心动图、心脏磁共振和计算机断层扫描数据以及血液检查结果)的AI模型能够识别出临床结局不良风险较高的主动脉瓣狭窄患者亚组。这有可能改善主动脉瓣干预的时机,从而改善患者结局[55]。心血管医学领域对个体化医疗和风险画像的兴趣日益增长,AI被视为实现这一目标的有效手段[56, 57]。目前,该领域内的超声心动图AI模型仍处于研发阶段(TRL:1–5)。

主要关注领域及潜在解决方案

将AI引入超声心动图引发了若干重要的劳动力方面的考量。表1概述了将AI模型整合到超声心动图实践中的主要关注点,以及建议的缓解策略。

表1 AI在超声心动图工作流程中应用的关键关注领域及潜在解决方案 查看原表 ↗

劳动力考量

技能退化的风险及对临床判断的影响

关于医疗领域人工智能的讨论中,经常出现对技能退化的担忧。新出现的证据表明,接触人工智能模型可能对临床医生的行为产生负面影响,并可能导致医疗标准下降[58]。当人工智能的输出被视为权威或绝对可靠时,自动化偏差[59]可能侵蚀批判性思维,导致医疗专业人员忽视错误或未能质疑不准确的人工智能生成的判读结果。如果操作者不需要持续积极参与控制或监督人工智能算法,就可能形成过度依赖,与临床医生在人工智能辅助分析中持续干预的情形相比,最终增加出错的可能性,这一现象被称为“操作者退出”[60]。与此同时,人工智能工具的可及性不断提高,可能使专业知识有限的医疗专业人员产生不应有的自信,反映了邓宁-克鲁格效应[61]。

人工智能引导采集带来的风险

人工智能引导的采集工具可能使超声心动图培训有限的人员也能获取诊断图像。虽然这一能力可能扩大服务不足环境中的可及性,但也带来了如下风险:检查由缺乏识别不理想声窗、伪影或具有临床意义异常所需基础知识的人员完成。缺乏这一基本能力时,人工智能辅助采集可能无意中掩盖低质量成像或延误对重要病变的识别。

超声心动图技师的工作实践

研究表明,人工智能辅助可以缩短超声心动图检查时间[62],这促使人们预期此类工具可支持更高的患者吞吐量。在超声心动图服务需求不断增长[63]和人员能力持续受限[64]的背景下,这些发现助长了这样一种说法,即人工智能可能实现更高效的工作流程,并增加预约超声心动图检查的数量。

解决人员队伍问题的潜在方案包括人机协作、质量保证、保留医疗专业人员的监督以及持续专业发展。人们普遍认为,医疗领域的人工智能模型应被视为一种增强工具,关键的判读和最终决策过程仍由医疗专业人员掌握[65–67]。将人工智能整合到临床实践中,将要求在传统培训之外具备新的能力。具体而言,医疗专业人员将需要发展数据素养、人工智能模型判读和质量保证方面的新技能,以确保人工智能模型安全有效地应用于患者诊疗[68]。这些能力不仅对于正确使用人工智能模型至关重要,而且对于认识其局限性和确保临床责任也必不可少。

随着超声心动图服务需求的持续增长,AI 支持的扫描时间缩减潜力已被强调为减轻超声心动图操作人员人体工程学负担的一种方式。通过缩短长时间静态姿势的持续时段,AI 支持的工作流程可能有助于降低长期、改变生活的工作相关肌肉骨骼疾病的风险 [69]。然而,这些益处并非普遍存在,因为研究还表明,在图像质量一般或较差的情况下,与高质量检查相比,AI 工具需要更多的校正和更长的测量时间 [70]。此外,来自 NHS 环境的真实世界证据仍然有限,无法确定 AI 能否在该环境中显著提高患者吞吐量。未来的工作应侧重于调查当前的标准诊疗实践,即许多中心已经能够使用现有超声心动图平台内置的自动化功能,并继续以 45 至 60 分钟的就诊时段运作。因此,在获得稳健的、针对具体情境的数据之前,必须谨慎解读生产力提升的说法。如果实现了生产力效率的提升,必须确保患者互动得以保留,并且 AI 生成结果的临床解读和质量保证仍然是核心。这些保障措施应加强共享学习,并防止对自动化的过度依赖。

AI 模型的透明度

超声心动图中准确、可重复且具有临床实用价值的 AI 模型的开发,从根本上取决于用于训练的数据集的质量、完整性和多样性 [71]。建立在不完整、错误或有偏倚数据上的模型,极有可能产生不准确的预测和不可靠的临床输出,从而限制其在真实世界实践中的安全性和适用性。与此同时,对 AI 开发更高透明度的需求日益增长 [72],包括公开共享训练数据集和源代码 [73, 74]。这种开放性支持外部验证、监管审查以及患者、临床医生和更广泛研究社区的信任 [75]。然而,尽管多样且具有代表性的数据集对于开发可泛化的 AI 模型至关重要,但大规模集中式“数据湖”的创建目前受到若干实际障碍的制约。这些障碍包括严格的信息治理要求、各地 IT 基础设施的差异、有限的存储容量、供应商特定的数据格式,以及缺乏统一的全国超声心动图数据标准。因此,在当前环境下,单纯倡导大型汇总数据集既不太可能可行,也不够充分。通过强调这些实际机制,BSE 认识到,通向可泛化 AI 模型的道路将依赖于协作、逐步推进和透明的数据共享方法,而非创建大型、不受限制的国家级数据存储库。

在 AI 模型部署中,尤其是卷积神经网络等深度学习架构,一个持续存在的担忧是其“黑箱”特性,即内部决策过程不易被解读 [76]。虽然方法学指南和报告框架可以通过要求清晰记录训练数据、模型架构和评估程序来提高透明度 [72, 77],但这些措施本身无法完全解决可解释性这一挑战。

透明度还延伸到用于评估AI模型的性能指标。AI超声心动图模型中常用的报告指标此前已有报道[78]。然而,需要注意的是,此类指标可能具有误导性,特别是在类别不平衡的情况下,即某特定疾病的患病率较低时。在这种情况下,模型可能获得较高的准确率,却在少数阳性类别上表现不佳。精确率–召回率曲线下面积等指标可以在不平衡数据集中提供更具信息量的性能评估。因此,清晰报告数据集组成,包括阳性和阴性病例的平衡情况,对于公平解释和比较模型性能至关重要。

为确保安全可信的临床使用,“黑箱”AI模型的性能必须在统计效能充分的独立外部验证队列中进行严格评估,并全面报告数据集特征、性能指标、亚组分析和观察到的失败模式。此类评估对于确定模型是否能推广到其开发环境之外至关重要,并且即使模型的内部机制无法直接解释,也能让临床医生对其可靠性建立信心。

伦理与监管审批考量

将AI模型整合到心血管成像中需要仔细考虑若干伦理原则,包括有利、不伤害、自主和公正[79]。用于训练AI模型的数据集通常来源于临床试验或本地可用资源。然而,众所周知,某些患者群体,包括女性、少数族裔以及患有先天性心脏病或接受过瓣膜修复/置换的个体,往往代表性不足。此外,AI模型通常在非英国人群上进行训练、测试和验证。这种代表性的缺乏可能加剧现有的健康不平等,并导致性能偏倚,即AI模型对服务不足的群体表现不佳[80]。为确保AI模型公平且具有可推广性,训练和验证数据集都必须反映真实世界患者的多样性,特别是在英国人群和NHS环境中。这包括年龄、性别、种族、合并症的差异,正常和病理性心血管状态的全谱,支持可靠预测的一系列图像质量,以及不同厂商设备之间的差异。这种多样性对于开发在不同医疗环境中稳健、公平且临床适用的AI工具至关重要。

一个相关的伦理考量涉及在超声心动图工作流程中使用AI模型时应向患者提供何种程度的信息。当AI用于辅助常规测量时,通常没有必要逐一告知每位患者,前提是临床医生保持全面监督并对录入病历的所有测量结果负责。然而,在服务或科室层面保持透明度对于维持信任和维护患者自主权十分重要。当AI模型影响诊断解读或治疗决策时,可能需要进行更明确的告知,因为此时对患者诊疗的影响更为直接和实质性。因此,在确定适当的患者信息告知水平时,区分测量支持工具和决策支持算法至关重要。

在AI模型能够部署并用于医疗领域之前,首先必须根据相关监管框架获得批准。在英国,这还必须包括资金审批,通常由国家健康与临床卓越研究所制定。所需监管批准的类型取决于每个国家的司法管辖区,通常涉及遵守数据保护法、医疗器械法规、AI特定治理义务及其他适用的地方法规。在美国,大多数AI辅助模型作为医疗器械软件通过美国食品药品监督管理局(FDA)的510(k)实质等同途径获得批准。该途径要求提供证据证明AI模型与现有同类器械实质等同,但不要求提供安全性、有效性或泛化性的前瞻性临床证据。因此,许多目前上市的AI工具在获批时的临床验证有限[81]。欧洲(如医疗器械法规)和英国(如药品和保健品管理局)也存在类似的监管途径[82]。

目前,当AI参与导致患者伤害的诊断或治疗时,关于责任应如何分配的明确共识尚未形成[83]。现有的医疗责任框架并不适合AI带来的复杂性,也没有全面的法律结构来界定开发者、供应商和最终用户的责任[84]。因此,迫切需要采取监管行动来应对AI的固有风险,确保产品安全,并通过定期更新维持最低安全标准。加强规范AI在医疗领域使用的法律框架对于保障患者福祉至关重要。

基础设施方面的考虑

将超声心动图人工智能模型纳入医疗机构需要强大的信息技术基础设施。这一需求已被认为是医疗系统内采用人工智能技术的一个“瓶颈”,过时的信息技术基础设施限制了使用和进步[78]。解决这一问题应成为一项关键优先事项,以确保所有超声心动图服务都能公平地获得人工智能模型,无论患者人口统计学特征或机构资源如何。此外,在人工智能工具被纳入临床工作流程之前,关键利益相关者之间需要进行协作。这包括超声心动图技师、数据科学家、人工智能专家和监管机构。此外,还需要遵循本地治理流程,包括无论在何种医疗环境下,均须经本地政策评估和批准。这确保了人工智能系统符合数据保护、网络安全、临床安全性以及与本地数字基础设施兼容的标准。

另一项需要考虑的因素是,许多超声心动图人工智能分析方法要求将图像上传至场外基于云计算的环境进行处理,随后将结果返回本地系统。这一工作流程引入了对安全、高带宽连接、稳健的网络安全保障措施以及明确的数据传输协议的进一步依赖。这些要求可能对数字能力有限或信息治理政策严格的中心构成挑战,因此必须纳入本地就绪性评估。重要的是,还应考虑场外上传、处理和返回人工智能生成结果所需的时间,因为这可能影响工作流程效率以及将此类工具整合到常规临床实践中的可行性。新兴的“边缘人工智能”方法可在超声系统上或医院网络内本地执行人工智能处理,可能缓解其中一些挑战,但其可用性和性能因供应商和设备代次而异。

在实施之前,关键利益相关者之间的协作至关重要,包括超声心动图技师、数据科学家、人工智能开发人员、信息技术团队和监管机构。还必须遵循本地治理流程,人工智能工具需根据机构政策进行评估和批准,无论在何种医疗环境下。这确保了所部署的系统符合数据保护、网络安全、临床安全性以及与本地数字基础设施兼容的标准。

将人工智能纳入超声心动图考量范围的局限性

超声心动图全流程中的AI赋能工具也存在必须认识到的重要局限。对于预约排程和分诊等工作流应用,当前模型可能难以处理不完整或低质量的行政数据,且其输出若未经仔细监测,可能无意中强化现有的不公平。AI引导的图像采集在支持经验不足的操作者方面显示出前景,但比较AI引导策略与标准实践的前瞻性证据仍然有限,而且采集过程中引入的错误可能难以在下游被检测到。同样,虽然基于AI的疾病识别在回顾性研究中表现令人鼓舞,但在真实世界临床环境中缺乏稳健的前瞻性验证,且当模型推理不透明时,临床医生可能更难识别错误分类。报告类AI模型还受到超声心动图数据集之间缺乏统一定义、单位和标注规范的制约。尽管AI最终可能有助于协调变量的标注,但进展将取决于标准化术语的采用。英国超声心动图学会(BSE)有能力通过推广一致的标注标准并鼓励临床、研究和厂商群体之间的协调来支持这一工作。

AI在超声心动图中应用的未来考虑?

AI的能力可能在多个领域有助于改善超声心动图工作流程,这些领域包括:

自动图像堆叠和智能视图组织

AI可以通过根据心腔、瓣膜或病理特定特征自动分组或“堆叠”图像来支持更高效的工作流程。例如,将与二尖瓣评估相关的所有视图聚类在一起,将减少浏览大量图像集的需要,并有助于简化报告流程。

系列研究的自动比较

AI驱动的工具可以实现对多次超声心动图系列测量的快速、标准化比较。这可能减少研究间的变异性,突出具有临床意义的变化,并在图像采集中的细微差异可能导致不一致解读时起到保障作用。

整合式审计和质量改进工具

嵌入与最新超声心动图指南一致的AI支持的审计功能,可能有助于各科室监测报告趋势、识别实践中的差异,并针对性地开展教育培训。此类系统可支持持续质量改进,并加强对国家标准的依从性。

实时检测测量或报告不一致

AI可通过在报告签署前标记潜在错误或内部不一致来协助临床医生。例如,突出显示多普勒测量与叙述性结论之间的差异(如一份报告称中度主动脉瓣狭窄,而血流动力学参数提示重度病变),将有助于提高准确性和患者安全。

患者和公众对人工智能在超声心动图中应用的视角

将人工智能整合到超声心动图中,需要与患者和公众进行有意义的互动,以确保其落地实施符合他们的期望、价值观和关切。为支持这一点,SB/MP与Stafford and Stoke-on-Trent心脏支持小组(由CP支持)及利兹心血管PPIE小组成员共同开展了一系列患者与公众参与和互动(PPIE)活动。选择这些小组是因为参与者具有心脏病亲身经历,并愿意就人工智能在超声心动图中的应用分享看法。

与心脏支持小组举行了两次小组讨论,随后对JK和GG进行了一对一访谈,以更深入地探讨患者和公众的观点。使用主题指南围绕人工智能在超声心动图中应用的期望、关切、感知获益和优先事项来组织对话。利兹心血管PPIE小组讨论由一名PPIE负责人和患者主席主持,并按小组偏好进行了开放式讨论。未寻求伦理审批,因为这些活动构成PPIE,而非需要正式审查的研究。

患者和公众的观点与视角揭示了几个关键主题(见图3)。患者和公众参与(PPIE)对AI技术的开发和使用表达了强烈支持,认为其能够辅助医疗专业人员并有助于改善患者照护。同时还传递了一个明确的信息,即AI技术应用于增强而非取代医疗工作人员,以维持医疗工作人员与患者之间的互动。然而,也提出了若干关切。一个主要主题是确保医疗工作人员接受充分培训以安全有效地使用AI技术的重要性。对于所有医疗工作人员是否具备解读AI生成结果并据此采取行动的必要技能,存在担忧。有人对确保医疗工作人员保持同等水平的培训、知识和能力以确保患者照护安全表示关切,特别是在AI技术可能不准确或不可用的情况下。此外,还强调了医疗专业人员应参与研究并积极寻求发展机会以推动实践向前发展。另外,还表达了对获取公平性的担忧,特别是AI技术是否会在整个英国国民健康服务体系(NHS)中统一部署,还是仍集中于规模较大、资源较好的医院,从而加剧健康不平等。PPIE成员强调了实践层面的系统性挑战,包括对现有流程造成额外负担的风险,以及将AI生成的数据可靠地传输到电子健康记录中的需求。确保这些流程精简、可互操作且不引入新的低效率被视为至关重要。PPIE成员对患者数据的使用和存储提出了关切。虽然普遍承认并接受一定程度的数据共享是必要的,但强调必须以最高标准的数据安全来处理。确保数据受到保护并将保密泄露的风险降至最低,被视为维持患者信任的关键。最后,若干参与者对AI工具的环境影响表示担忧,特别是如果提供AI能力需要增加能源使用的话。随着对气候变化和可持续性认识的不断提高,参与者认为AI技术的开发和部署应尽可能努力采取对环境负责的方式。

图3 患者和公众的关切 查看原图 ↗

未来教育机会

为了最大限度地发挥AI在医疗保健和超声心动图中的价值,需要在教育、培训框架和治理结构方面进行大量投入。近期文献强调,需要培养医疗专业人员的核心知识能力,以支持AI的安全有效实施[85]。这些能力包括:AI的基础知识,重点是评估AI模型的准确性、可靠性和有效性。

数据分析技能,包括数据采集、清洗、可视化、管理和治理。

对伦理和法律考量因素的理解,特别是与数据隐私、问责制和偏见相关的方面。

构建这些能力将使医疗专业人员具备有效解读AI生成结果所需的知识、技能和信心。反过来,这将支持对AI模型的批判性评估,使临床医生能够识别潜在的偏倚来源,并有助于防止AI输出在临床决策中的不当使用。从一开始就培养这些能力对于确保AI增强而非削弱患者诊疗至关重要[85]。为了支持超声心动图从业人员获得必要的能力和信心以安全有效地使用AI,高等教育机构、医疗培训提供者和国家专业学会必须发挥核心作用(图4)。与此一致,英国超声心动图学会(BSE)致力于确保其会员能够获得高质量的、AI专属的教育资源。计划中的资源包括网络研讨会、电子学习模块和实践工作坊,旨在帮助超声心动图工作者自信地将AI工具整合到临床实践中。此外,在有充分证据支持的情况下,将积极考虑将AI模型纳入未来的BSE指南和方案中,帮助将AI安全、一致和透明地嵌入常规超声心动图工作流程中。

图4 实现AI在超声心动图中的安全有效整合 查看原图 ↗

结论

超声心动图仍是评估心脏结构和功能的核心影像学手段,而AI现在代表着其技术演进的下一个主要阶段。AI研究的快速扩展显示出在整个超声心动图工作流程中提高效率、一致性和诊断支持方面的巨大潜力。然而,临床采用仍然有限,实现AI的益处需要仔细关注治理、从业人员准备度、数据质量和公平实施。为弥合创新与常规实践之间的差距,超声心动图服务必须向在AI整合方面更为先进的其他影像专业学习,同时也要回应患者和公众的关切与期望。超声心动图从业人员的教育和技能提升对于确保医疗专业人员有信心评估、部署和监测AI模型至关重要。随着该领域的持续发展,有必要对新出现的证据进行持续审查并定期更新本立场声明,以确保AI被安全、透明地采用,并以改善所有超声心动图服务中患者诊疗的方式加以应用。

引用

  1. Bennett, Wild, Paton, et al. Artificial intelligence in echocardiography: a position statement from the British Society of Echocardiography. Echo Res Pract. 2026. PMID: 42472849. doi:10.1186/s44156-026-00124-4
  2. 全文:PMC13383564(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13383564/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。