多视图深度学习综合评估主动脉瓣狭窄严重程度
Comprehensive Aortic Stenosis Characterization Using Multiview Deep Learning.
PubMed 文献 · JACC Cardiovasc Imaging · 2026-01-01
本研究开发并验证了EchoNet-AS深度学习框架，整合超声心动图B型视频和多普勒图像自动评估主动脉瓣狭窄严重程度。模型在16,076例研究中训练，经内部和3个外部队列验证，诊断重度主动脉瓣狭窄的AUC达0.964-0.989。该方法综合结构和功能信息，优于单一视图或仅多普勒测量的模型。
要点
- 整合多个超声心动图视图和多普勒测量优于单一视图或仅多普勒评估
- 深度学习可自动测量主动脉瓣峰值流速并分类狭窄严重程度
- 模型在不同外部中心均表现稳健，可作为临床辅助决策工具
核心结论
- EchoNet-AS通过综合B型视频和多普勒图像准确评估主动脉瓣狭窄严重程度，在外部验证队列中表现稳健，具有作为自动化临床决策支持工具的潜力
研究设计与样本
- 开源端到端深度学习框架，结合视频卷积神经网络评估瓣膜运动和分割模型自动测量主动脉瓣峰值流速
- 训练集包含来自Kaiser Permanente北加州的16,076例研究共210,193张图像
- 内部验证包括1,588例保留测试集和19,202例时间独立队列
- 外部验证包括Stanford Healthcare的2,415例研究和Cedars-Sinai医学中心的9,038例研究
诊断标准与关键数值
- 诊断重度主动脉瓣狭窄在Kaiser Permanente保留队列的AUC为0.964 (95% CI: 0.952-0.973)
- 在时间独立队列诊断重度主动脉瓣狭窄的AUC为0.986 (0.983-0.989)
- Stanford Healthcare外部验证队列的AUC为0.985 (0.975-0.992)
- Cedars-Sinai医学中心外部验证队列的AUC为0.989 (0.986-0.992)
- 多视图结合多普勒测量的模型性能优于单一视图或仅多普勒测量模型
临床应用与阅片要点
- 需同时获取多个超声心动图视图和多普勒图像以实现最佳评估效果
- 自动化测量可辅助标准化主动脉瓣峰值流速测量和狭窄严重程度分类
- 模型整合视觉征象和血流动力学定量信息，符合临床综合评估原则
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Ieki, Sahashi, Vukadinovic, et al. Comprehensive Aortic Stenosis Characterization Using Multiview Deep Learning. JACC Cardiovasc Imaging. 2026. PMID: 42833794. doi:10.1016/j.jcmg.2026.07.013
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。