心脏功能评估在心血管疾病管理中扮演着关键角色。近年来，整体纵向应变（Global Longitudinal Strain, GLS）作为一项评估左心室功能的指标，因其较高的可重复性和预测价值而备受关注。然而，传统的GLS测量方法存在专有超声系统依赖性高、操作复杂、成本高昂的问题，这些因素限制了其在临床实践中的广泛应用。不同超声系统间的测量结果差异也进一步影响了GLS的标准化和可比性。
为了应对上述挑战，JACC: Cardiovascular Imaging杂志于2024年8月发表了一篇题为“基于英国全国合作项目的开放数据的人工智能二维超声心动图整体纵向应变”的重要研究。该研究利用人工智能技术与来自英国广泛合作的开放数据，实现了GLS测量的自动化和标准化。这一创新不仅有望降低GLS测量的技术门槛，还有助于提高其在不同机构和系统间的一致性，推动这一技术在临床实践中的进一步应用和发展。
01研究方法
本研究是一项前瞻性多中心合作研究，旨在开发并验证一种基于人工智能的开放式GLS测量方法。研究纳入了来自英国各地的6 819个心尖四腔、两腔和三腔图像，通过多图像神经网络技术（Unity-GLS）进行训练，以识别环、顶点和心内膜曲线。外部验证数据集包括100个超声心动图，由11位专家独立标记，形成共识追踪和点。主要评价指标为GLS的测量值，次要终点包括专家共识值与个体专家测量值之间的相关性，以及机器方法与专家共识值之间的一致性。
注：Unity在线平台允许英国各地的专家轻松快速地注释医学图像，专家们使用该平台标记关键点和曲线，如上图所示的心内膜边界。
图1 基于网络的Unity界面
02研究结果
Unity-GLS的准确性与一致性优势
研究表明，Unity-GLS算法在测量GLS方面具有明确的准确性和一致性。与11位专家的集体判断相比，Unity-GLS的绝对误差中位数为1.3 GLS，这一结果优于各位专家独立测量的2.0 GLS（表1）。统计分析表明，这种差异具有统计学意义（P＜0.05），从而证实了Unity-GLS在减少测量误差方面的显著优势。此外，Unity-GLS与11位专家独立评估后形成的集体判断结果（即专家组共识）之间的相关性中位数达到了0.91，显示出高度的一致性。相较于两种专有软件包的相关性0.73和0.79，Unity-GLS的表现更为突出（图2）。
图2 两种专有软件包和Unity-GLS计算结果与专家集体判断结果之间的相关性
专家共识与个体专家测量的比较分析
结果显示，独立专家测量结果与专家组集体判断值之间的相关性中位数为0.85，这一数值显著低于Unity-GLS算法GLS测量结果与专家集体判断值之间的相关性（0.91,P＜0.001）。从而可以看出,即使是资深专家，在GLS测量上也存在一定程度的差异性。Unity-GLS的高相关性在统计学上表明其在测量一致性上具有潜在的优势，且这种差异性是显著的（P＜0.05）。这意味着，Unity-GLS作为一种人工智能工具，在提供标准化和可重复性测量方面具有可靠性。
机器方法与专有软件的性能对比
在与两种专有软件包的比较中，Unity-GLS的性能同样表现出了优势。专有软件A和B的误差分别为2.5、2.2 GLS，与Unity-GLS的1.3 GLS相比差异显著（P＜0.05，表1）。此外，两种专有软件之间的相关性为0.77，而Unity-GLS的相关性更高，这进一步证实了Unity-GLS在测量准确性上的优势。
视觉排名的额外验证及其意义
研究人员还采用了专家的视觉排名作为额外的验证方法，以评估GLS测量的相关性。Unity-GLS在视觉排名的相关性上达到了0.77，而各专家独立测量的相关性为0.72。虽然这一差异在统计学上不显著，但它仍然表明Unity-GLS在反映专家视觉评估方面的一致性上具有一定优势（图3）。
注：上图展示了专家共识曲线（粗白线）与Unity-GLS（红线）输出之间一致性最佳（顶部）、中位数（中间）和最差（底部）的3个案例。
图3 具有代表性的心尖四腔病例，显示专家意见，专家集体意见，以及追踪左室内膜的Unity-GLS输出
03总结
本研究通过创新性地将人工智能技术应用于二维超声心动图的全局纵向应变（GLS）测量，实现了对心脏功能的精准评估。Unity-GLS算法以其0.91的高相关系数，显著超越了独立专家与专家组共识之间的相关性，凸显了AI在提高测量一致性和准确性方面的显著优势。这一突破不仅减少了对专有技术的依赖，降低了成本，还为临床医生提供了一个可靠、高效的辅助工具，有望推动心血管疾病诊断和治疗的标准化进程。此外，Unity-GLS的开放性和透明性为全球医学研究者提供了宝贵的资源，促进了技术的共享与创新，预示着AI在医学影像领域应用的广阔前景。
参考文献STOWELL C C, HOWARD J P, NG T, et al. 2-Dimensional Echocardiographic Global Longitudinal Strain With Artificial Intelligence Using Open Data From a UK-Wide Collaborative[J]. JACC Cardiovasc Imaging, 2024, 17(8):865-876. DOI: 10.1016/j.jcmg.2024.04.017.
编辑：梨九
二审：且行
三审：清扬
排版：半夏
