在线投稿
在线审稿
编辑管理
读者登录
通知公告 更多+
- [03-08]《实用医院临床》杂志采编系统正式上线！
本刊信息
微信公众号
2026年第23卷第4期目录
-
2026,23(4):1-5
Abstract:
超声心动图是心血管疾病诊疗中的一线影像学技术,具有操作者依赖性强和检查时间长的局限性。 人工智能 (artificial intelligence,AI)技术正在迅速改变超声心动图的临床应用能力。 AI 超声心动图的应用涉及超声心动图工作流程中 的多个层面和多个环节以及不同的应用场景,包括:图像采集、质量评估、图像分析自动测量、特征抓取和系统化报告生成等。 现有研究表明:AI 能够显著提升图像采集效率以及图像的解释性和诊断准确性。 尽管如此,AI 在超声心动图中的应用仍面 临诸多挑战,如: 原始图像数据集质量差、“黑箱”特性和潜在的安全漏洞等。 通过开发混合模型或多模态 AI 模型、建立大规 模多样化的高质量图文数据库和采用联邦学习技术等有助于逐步解决以上相关问题,从而实现超声心动图分析过程的全自 动化,有效提高心血管疾病诊断的准确率与检查效率、优化诊疗流程。
-
2026,23(4):6-9
Abstract:
冠状动脉心脏病(coronary heart disease, CHD)是全球范围内的主要致死原因之一。 尽管传统的诊疗手段已趋 成熟,但临床医师仍面临数据处理量大、主观差异性高及漏诊风险等挑战。 近年来人工智能( artificial intelligence,AI)技术的 发展为冠心病的预防、诊断及风险评估带来了革命性变化。 本文梳理了 AI 在 CHD 早期筛查、辅助诊断及预后评估中的应用 现状与关键技术,重点分析 AI 在临床路径中各环节的研究进展,探讨 AI 辅助下的临床应用价值,旨在为临床医师提供全面的 视角。 同时,尽管 AI 展现出了在临床背景下的强大应用价值,但由于其面临模型黑盒特性明显、跨中心泛化能力不足及落地 临床困难等挑战,未来仍需通过医工融合与前瞻性多中心验证,以期实现 AI 覆盖 CHD 全周期的精准医疗。
-
2026,23(4):10-15
Abstract:
近年来,介入心脏病学尤其是结构性心脏病介入治疗随着器械与影像技术的持续更新而快速发展,心脏介入术 前评估、术中实时监测与术后随访的全流程均高度依赖超声心动图。 然而,传统超声检查易受图像质量、切面获取一致性与 操作者经验等影响,限制了测量可重复性与实时决策效率。 人工智能( artificial intelligence, AI),尤其是深度学习等技术与超 声心动图的深度融合应用,在超声图像标准化采集、切面及精细结构识别、功能与血流动力学自动定量、围手术期风险分层与 并发症预警方面展现显著潜力。 充分发挥心血管超声 AI 的强大优势,有望进一步促进心脏介入治疗精准化、高效化发展。 本 文从超声 AI 基本原理与方法出发,系统综述其在心脏介入手术全过程中的关键应用进展,并对介入超声心动图 AI 的未来发 展趋势进行展望,以期为临床研究与转化提供参考。
-
2026,23(4):16-21
Abstract:
瓣膜性心脏病是导致全球心血管疾病发病和死亡的重要原因之一。 随着人口老龄化进程加速,瓣膜性心脏病 患病率持续攀升。 然而,当前瓣膜性心脏病临床诊疗面临严峻挑战:传统筛查与诊断方法耗时较长,且高度依赖专科医生经 验,导致大量患者诊断延迟,错失最佳治疗时机。 人工智能凭借其强大的数据分析与模式识别能力,正在推动瓣膜性心脏病 诊疗模式的变革。 本文围绕瓣膜性心脏病早期智能筛查、超声心动图全流程智能辅助诊断、智能化风险分层及预后预测三个 方面,对人工智能在瓣膜性心脏病领域的关键应用与研究进展进行系统综述,并探讨其面临的挑战与未来发展方向,以期推 动人工智能技术在瓣膜性心脏病精准诊疗中的临床转化。
-
2026,23(4):22-28
Abstract:
目的 使用聚类分析实现房间隔缺损合并肺高压患者具备预后差异性的临床分组。 方法 纳入 2020 年 11 月 至 2023 年 12 月于广东省人民医院确认平均肺动脉压力>20 mmHg 的房间隔缺损患者,收集患者相关基线临床资料,应用二 阶段聚类分析生成亚组,对各亚组临床参数进行差异分析,并对预后进行生存分析。 结果 共生成 4 个亚组,聚类效果较好 (Wilks ' lambda = 0. 011,P = 0. 001)。 亚组 1 患者轻度肺高压、右心功能显著恶化;亚组 2 患者轻度肺高压、右心功能处于代偿 期,亚组 3 肺高压程度最轻、右心功能处于代偿期,亚组 4 显著肺高压,右心功能显著恶化。 亚组 4 患者肺动脉平均压与肺血 管阻力显著升高,右心室面积变化分数显著下降(P<0. 05),左室偏心率指数显著异常(P<0. 05)。 亚组 1 患者病因较为特殊, 合并左心相关疾病,心功能显著恶化(P<0. 05),右心显著扩大(P<0. 05)。 亚组 2 及亚组 3 患者右室结构与功能指标优于亚 组 1 及亚组 4。 中位随访 35 个月后,共发生 25 例不良事件。 亚组 4 不良事件发生率显著高于其他各组,亚组 2 及亚组 3 患者 预后较好,两组间预后差异无统计学意义(P>0. 05)。 以亚组 4 为参照进行 COX 回归分析,亚组 3 发生不良事件风险显著低 于亚组 4(HR = 0. 20, 95% CI: 0. 07~ 0. 62, P<0. 05)。 结论 房间隔缺损合并肺高压患者内部仍具有显著异质性,右心功能 超声指标对肺高压患者病情评估具备相当潜力。
-
2026,23(4):29-34
Abstract:
目的 构建和比较基于深度回归的视频预测模型(端到端模型)及基于多模型分步的自动计算左心室射血分数 (LVEF)的流程方法,并与超声下标准 Simpson 法进行比较,评估其在整体精度、心功能分型一致性及射血分数误差分布。 方 法 构建两种代表性的 LVEF 计算流程:端到端模型使用卷积神经网络与时空卷积结构对超声视频进行特征提取与回归预 测;多模型分步流程方法则采用“帧识别+分割掩码+几何运算”三步流程,其中包括通过自监督学习进行左室分割,并利用 Simpson 法与面积长度法计算 LVEF。 本研究采用 EchoNet-Dynamic 数据集(用于训练)和 CAMUS 数据库,并在武汉大学人民 医院的临床影像数据上进行外部验证。 模型性能通过偏差、平均绝对误差、相关性和一致性等指标进行评估。 结果 在 CAMUS 数据库上,基于多模型分步流程中分割模型的面积长度法计算的 LVEF 比 Simpson 法更接近人工测量,且精度略优( r = 0. 74 vs r = 0. 72,MAE = 6. 54 vs 8. 39)。 在外部验证中,端到端模型在四腔心与两腔心切面的预测性能上相似( r = 0. 76 vs 0. 77,MAE = 5. 46 vs 5. 30)。 与多模型分步流程中 Simpson 方法相比,端到端模型结合双平面的均值表现更为准确( r = 0. 82 vs 0. 59,MAE = 4. 65 vs 9. 69)。 多模型分步流程中 Simpson 法相较于面积长度法仍然更为低估 LVEF( Bias: - 6. 64 vs - 3. 85),但相关性较好(r: 0. 59 vs 0. 56)。 结论 本研究构建的端到端模型在 LVEF 预测中的准确性与超声下标准 Simpson 法 人工测量相当,相比多步计算的优秀模型,在精度与简化流程方面具有优势,但临床可解释性仍是需要解决的问题。
-
2026,23(4):35-41
Abstract:
目的 评估基于人工智能的无心电门控左心室整体纵向应变( non-electrocardiogram-gated global longitudinal strain,Non-ECG GLS)识别左心室射血分数(left ventricular ejection fraction,LVEF)异常的能力,并探讨其在不同心血管疾病负 荷人群中的变化特征。 方法 前瞻性纳入 2025 年 3~ 11 月在四川省人民医院接受经胸超声心动图检查的 181 例患者。 所有 受试者均完成常规超声心动图及无心电门控左心室应变分析。 以 LVEF 作为左心室收缩功能状态的参考标准,比较射血分数 正常组(LVEF≥54%)及射血分数异常组( LVEF<54%) Non-ECG GLS 差异。 采用受试者工作特征( ROC)曲线分析 Non-ECG GLS 识别 LVEF 异常的效能。 根据探索性心血管疾病负荷评分将患者分为低负荷组(0 ~ 2 分)、中负荷组(3 ~ 5 分)和高负荷 组(6~ 9 分),比较不同负荷组间 Non-ECG GLS 的差异,并进行趋势性检验。 随机选取 30 例受试者,由两名操作者分别测量 Non-ECG GLS,采用 Bland-Altman 分析评估操作者间重复性。 结果 181 例患者中,LVEF 正常 123 例,LVEF 异常 58 例。 LVEF 异常组 Non-ECG GLS 绝对值显著低于 LVEF 正常组( P<0. 001)。 在不同性别组、不同年龄组间基线 Non-ECG GLS 比 较,差异均无统计学意义(P>0. 05)。 ROC 曲线分析显示,Non-ECG GLS 识别 LVEF 异常的曲线下面积为 0. 93(95%CI:0. 89 ~ 0. 96,P<0. 001),最佳截断值为 16. 2%(按绝对值计),敏感性为 89. 7%,特异性为 84. 6%。 不同心血管疾病负荷组间 Non-ECG GLS 差异有统计学意义(F = 47. 97,P<0. 001),低、中、高负荷组随疾病负荷增加呈下降趋势( P<0. 001)。 Bland-Altman 分析显 示,两名操作者测量结果的平均差值为-0. 19%,95%一致性界限为-2. 99% ~ 2. 62%。 结论 基于 AI 的 Non-ECG GLS 对识别 LVEF 异常具有较好的区分能力,并显示出较好的操作者间重复性。 其在不同心血管疾病负荷人群中呈梯度变化,提示 NonECG GLS 可能作为左心室收缩功能评估的辅助影像学参数。
-
史中青, 巩旭龙, 戚占如, 翁和祥, 陈 慧, 姚 静, 罗守华, 郭冠军
2026,23(4):42-49
Abstract:
目的 评估人工智能(AI)模型自动测量超声心动图多普勒参数的准确性,并量化其使用对超声医师操作时间 与手部操作负荷的节省效果。 方法 回顾性收集 1668 例患者的超声心动图多普勒频谱图像(肺动脉瓣、主动脉瓣、二尖瓣前 向频谱及间隔、侧壁组织多普勒频谱),以两名资深医师一致认可的切面分类与测量结果为金标准,按 4 ∶ 1 比例划分训练集 与验证集,构建基于 ResNet50(切面分类)、YOLOv5(心动周期检测)及 HRNet(关键点检测)的深度学习模型。 模型部署后,前 瞻性采集 747 例多普勒图像验证准确性;另纳入 661 例患者,分为 AI 辅助组(330 例)与非 AI 辅助组(331 例),通过姿态测量 传感器记录检查时间、动作时间、静止时间及轨迹球操作次数,比较两组差异。 结果 AI 模型切面分类总体准确率 90. 5 ~ 99. 3%,各多普勒参数测量与金标准的组内相关系数(ICC)为 0. 9902 ~ 0. 9967,95%置信区间 0. 99 ~ 1. 00,Bland-Altman 分析显示 偏倚趋近于 0。 AI 辅助组中位检查时间、中位动作时间较非 AI 辅助组缩短(P<0. 001);两组静止时间比较,差异无统计学意 义(P = 0. 068)。 AI 辅助组中位轨迹球操作次数少于非 AI 辅助组(P<0. 001)。 结论 本研究构建的 AI 模型可高准确度自动 测量超声心动图多普勒参数,并在真实临床实景下显著缩短检查时间、减少手部操作负荷,为降低超声医师重复性劳损风险、 提升工作效率提供了可量化的实证依据,具有良好的临床转化价值。
快速检索
友情链接
