AI赋能聚焦心脏超声：新手操作者也能高效筛查主动脉瓣狭窄

亮点

– 一种深度学习算法在多个验证队列中对中度及以上主动脉瓣狭窄（Aortic Stenosis，AS）的检出表现出很高准确性（AUROC 约0.99）。
– 在人工智能（AI）引导下，由新手操作者完成的聚焦心脏超声（Focused Cardiac Ultrasound，FoCUS）可实现自动化、准确的AS筛查。
– 无论是专家采集还是新手采集的影像，敏感度和特异度均保持在90%以上。
– 对AI标记或无法判读病例进行专家复核，可显著提高诊断阳性预测值。

研究背景

主动脉瓣狭窄的特征是主动脉瓣进行性狭窄；若未能及时诊断，可导致显著的发病率和死亡率。它是最常见的瓣膜性心脏病之一，尤其多见于老年人群。对中度或重度AS进行早期识别，对治疗决策至关重要，包括随访监测以及如瓣膜置换等及时干预，而这些措施可改善预后。然而，当前筛查主要依赖受过训练的超声技师和心脏病学医师实施的全面超声心动图检查。这一要求限制了筛查可及性，尤其是在医疗资源有限或偏远地区。

聚焦心脏超声是一种简化的超声心动图技术，适用于床旁筛查，但传统上无论是图像获取还是结果判读，都需要操作者具备专业经验。近年来，人工智能（AI）和深度学习的进展，为突破这些障碍提供了机会：AI既可引导图像采集，又可实现诊断判读自动化，从而有望让非专业人员也能完成有效筛查，并扩大医疗可及性。

研究设计

本诊断性研究在Mayo Clinic位于中西部、亚利桑那州和佛罗里达州的三个地理位置不同的中心开展，包含回顾性和前瞻性两个阶段。回顾性阶段使用2005年1月至2022年9月收集的超声心动图数据集训练并验证深度学习算法，共纳入6753例患者用于模型开发，另设三个验证队列，总计3608例患者。该算法旨在检出中度及以上主动脉瓣狭窄。

在前瞻性阶段，AI引导的FoCUS系统由经验丰富的超声技师和新手操作者（非专家）共同用于采集心脏超声视频片段。前瞻性研究纳入2024年和2025年两个时期的602例专家检查和1302例新手检查。该算法会自动评估采集到的图像是否存在中度及以上AS。

主要终点包括以受试者工作特征曲线下面积（AUROC）衡量的检出准确性、敏感度、特异度及阳性预测值（PPV）。此外，还对AI标记或无法判读的检查进行了心脏病学专家复核，以评估其对诊断性能的影响。

主要结果

该深度学习模型在内部和外部验证队列中均表现出接近完美的区分能力，可检出中度及以上AS：内部测试集AUROC为0.99（95% CI 0.98-1.00），亚利桑那州和佛罗里达州验证队列的AUROC分别为0.99（95% CI 0.97-1.00）和0.99（95% CI 0.96-1.00）。

在由经验丰富的超声技师完成的FoCUS中，该算法的敏感度为95%（95% CI 82-99），特异度为97%（95% CI 95-98），提示其可在较少假阴性和假阳性的情况下实现可靠检出。值得注意的是，在由新手操作者采集的FoCUS检查中，96.6%（1258/1302）适合自动评估。其敏感度为93%（95% CI 82-99），特异度为96%（95% CI 95-97），表明即使在AI引导下由未经训练人员完成图像采集，模型仍能保持稳健表现。

对AI阳性和无法判读检查进行专家裁定后，诊断产出显著提升：PPV由49.4%提高至91.1%，同时敏感度为85.4%。这种结合AI筛查与专家复核的混合模式，可通过分流需要进一步评估的病例来优化临床工作流程。

专家点评

这些结果代表了瓣膜性心脏病筛查技术的重要进展。该研究表明，AI不仅可以引导新手获取具有诊断质量的心脏超声图像，还能准确判读主动脉瓣病变，从而解决AS筛查可及性受限这一主要问题。

尽管报告指标非常出色，仍需注意一些局限性。该研究在Mayo Clinic中心完成，所用成像设备和操作流程具有特定性；其结果推广至其他场景或设备可能仍需进一步验证。此外，临床整合还需要为模糊病例建立高效的专家裁定流程，并配套适当的后续随访路径。其对临床结局、医疗成本及患者依从性的影响，仍有待真实世界实施研究进一步观察。

结论

经验证的AI赋能算法，借助由新手操作者采集的聚焦心脏超声，为中度及以上主动脉瓣狭窄筛查提供了一种可推广且有效的方法。这一创新有望将AS筛查扩展至专科中心之外，改善更广泛人群的早期疾病发现，并推动及时干预。未来研究应进一步探索实施策略、纵向结局及经济学收益，以充分发挥该技术的临床价值。

资金支持与ClinicalTrials.gov

本研究由Mayo Clinic研究基础设施提供支持。Mayo Clinic各中心开展的前瞻性研究均符合机构审查委员会批准要求。源文献未注明临床试验注册号。

参考文献

Lee E, Naser JA, Kane CJ, Kovac JL, Greason C, Killalea MM, et al. Artificial Intelligence-Enabled Acquisition and Interpretation for Screening Aortic Stenosis. JAMA Cardiology. 2026 Aug 28. PMID: 42661496.
Otto CM, Nishimura RA, Bonow RO, et al. 2020 ACC/AHA Guideline for the Management of Patients With Valvular Heart Disease. Circulation. 2021;143(5):e72-e227.
Thaden JJ, Nkomo VT, Enriquez-Sarano M. The global burden of aortic stenosis. Prog Cardiovasc Dis. 2014;56(6):565-571.
Davenport A, Slomka PJ, Leung S, et al. Artificial intelligence-assisted focused cardiac ultrasound for evaluation of aortic valve disease: a review. Eur Heart J Cardiovasc Imaging. 2023;24(2):115-124.