Nat Med：赵世华等团队合作使用人工智能支持的心脏磁共振成像筛查和诊断心血管疾病

心脏磁共振成像(CMR)是心功能评估的金标准，在心血管疾病(CVD)诊断中起着至关重要的作用。然而，由于CMR解译资源负担过重，限制了其广泛应用。

2024年5月13日，中国医学科学院/北京协和医学院赵世华、斯坦福大学Yan-Ran (Joyce) Wang及中国科学院深圳先进技术研究院Zhao Kankan共同通讯在Nature Medicine 在线发表题为“Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging”的研究论文，该研究开发并验证了计算机化CMR解释，用于9,719例患者的11种CVD的筛查和诊断。

研究人员提出了一个两阶段的范例，包括无创的cine基CVD筛查，然后是基于cine和晚期钆增强的诊断。在内部和外部数据集上，筛选和诊断模型均取得了较高的性能(曲线下面积分别为0.988±0.3%和0.991±0.0%)。此外，该诊断模型在诊断肺动脉高压方面优于心脏病专家，证明了人工智能支持的CMR能够检测以前未识别的CMR特征。这项概念验证研究有可能大大提高CMR解释的效率和可扩展性，从而改善CVD的筛查和诊断。

心血管疾病(CVDs)是世界上第一大死亡原因。据世界卫生组织统计，每年约有1790万人死于心血管疾病，约占全世界死亡人数的32%。其中，75%以上的心血管疾病死亡发生在低收入和中等收入国家。虽然有多种方法可用于诊断心血管疾病，但心脏磁共振成像(CMR)是一种综合成像方式，非常适合评估心脏形态、功能、心肌灌注和独特的组织特征。因此，CMR被认为是评估心功能和诊断CVDs的金标准。然而，CMR的广泛临床应用一直受到CMR解释的时间成本、大量培训时间和获得专业知识的努力以及合格的CMR培训医生短缺的阻碍。由于训练有素的CMR专家数量有限，使用CMR进行CVDs的及时准确诊断极其困难。因此，使用自动CMR解释快速筛选和诊断CVDs显示出巨大的临床潜力。

深度学习能够从原始输入图像和视频中学习独特的特征并识别运动模式，而不需要手工制作特征工程和广泛的数据预处理，这使得它在解释CMR数据方面非常有效。此外，深度学习算法通过分析所有图像和动态信息片段，比人类有明显的优势，同时，可以提供更有效和客观的解决方案。然而，对于端到端深度学习方法是否可以用于分析CMR数据以筛查和诊断广泛的心血管疾病，仍然缺乏全面的评估。迄今为止，深度学习在CMR中的少数应用主要集中在CMR解释的单个方面(例如，分割或壁厚测量)，或者显示出有限的诊断能力(例如，心肌瘢痕或主动脉瓣畸形)。

自动筛选和诊断心血管疾病的两阶段范例的工作流程（图源自Nature Medicine ）

该研究开发和验证了一种用于自动、计算机化CMR解释和诊断的深度学习方法，该方法由模仿临床工作流程的两阶段范式组成：(1)使用非增强cine磁共振成像(MRI)筛查异常，然后(2)使用cine和晚期钆增强(LGE) MRI作为联合输入诊断CVDs。最初阶段，基于cine模式，可以进行无创心脏筛查。与需要注射钆造影剂的LGE相比，cine MRI更安全，更容易获得。第二阶段提供11种CVDs类型的分类，涵盖CMR检查的大多数患者。提出了基于视频的旋转转换器(VST)-计算机视觉的前沿进展-作为模型骨干，而不是传统的卷积神经网络(CNN)方法，并强调了转换器模型在建模CMR序列方面的优势。所提出的自动管道由两个基于VST的串行人工智能(AI)模型组成:筛选模型和诊断模型。该研究为实时准确的CMR解释开辟了一条途径，并使CMR在CVD筛查和诊断中得到更广泛的应用。

原文链接：

https://www.nature.com/articles/s41591-024-02971-2