AI赋能：心脏磁共振诊疗流程的优化与进展

AI技术革新心脏磁共振诊疗全流程研究进展

陈星蕊，马璇，张奥翔，赵世华* （中国医学科学院北京协和医学院 国家心血管病中心 阜外医院磁共振影像科，北京 100037）

摘要

心脏磁共振凭借其多参数成像优势，成为评估心脏结构与功能的首选“金标准”，然而，扫描周期长、图像后处理繁琐以及对操作者经验的依赖，限制了其临床推广。当前，人工智能（AI）技术正致力于优化CMR的全流程应用。本文将对此进行综述。

引言

心血管疾病是全球致死的首要原因，早期精准诊断对改善预后至关重要。心脏磁共振无电离辐射，具备多参数多序列成像及卓越软组织分辨率，被视为评估心脏结构、功能及心肌组织特征的无创“金标准”；但技术门槛较高、扫描耗时及后处理繁琐等，制约了其广泛应用。近年来，人工智能技术飞速发展并深刻影响了医学影像学，正逐步优化CMR诊疗全流程。本文将综述相关应用进展。

1 AI技术简述

AI在CMR中的应用主要依托机器学习及其子领域——深度学习。ML以大数据为驱动，通过从输入数据中提取学习特定特征来完成预测、分类等任务。传统ML基于统计学习与最优化算法，核心在于建立数学模型探索输入特征与临床结局的映射关系。DL是当前图像处理的主流技术，通过构建多层神经网络实现从原始数据到诊断结果的“端到端”特征提取。CNN利用层级卷积核提取空间特征，其U-Net架构已成为心室结构与心肌瘢痕自动分割的标准工具；基于GAN的生成对抗网络通过博弈学习数据分布，可从欠采样k空间快速恢复高质量图像；Transformer架构引入自注意力机制，擅长捕捉心脏电影序列的复杂时空动态，用于分析功能与血流。此外，DL高通量算法可挖掘影像纹理、灰度直方图等高维特征，量化心肌微观异质性。

目前AI用于CMR多采用DL结合ML。DL侧重于自动化处理像素、完成前端定量指标提取；ML则擅长整合多维结构化数据，进行后端整合与临床决策。

2 AI用于获取与重建CMR图像

图像采集是CMR关键。AI大幅改进了成像过程。智能扫描与规划方面，基于CNN的智能定位系统能自动识别二尖瓣环、心尖等标志，有望实现全自动规划。图像重建与加速方面，基于变分网络和级联CNN的算法可在极高加速倍数下精准填补未采样数据；神经网络提取先验特征突破了物理极限，实现亚秒级单次屏气全心覆盖。基于GAN的超分辨率模型显著缩短了自由呼吸序列重建时间，且图像质量与标准屏气高度一致（ICC 0.97～1.00），提示AI在无法屏气患者重建前景广阔。LYU等提出的循环GAN模型能减少运动伪影，在提高分辨率的同时生成中间帧，增强信号处理能力。

图像分割与功能定量方面，共识指出全自动定量分析技术已成熟（TRL 8～9级），显著提高后处理效率。HU等将DL定位与三维主动形状模型结合，显著提高了左右心室分割精度。FAHMY等开发基于三维CNN的模型自动量化肥厚型心肌病LGE范围，与人工测量高度一致（r=0.90～0.97）。同时，AI开创了CMR“虚拟成像”范式。GAN结合电影序列和平扫T1 mapping可合成虚拟LGE图像，无需外源性对比剂，为肾功能不全患者提供安全无创手段。

3 AI用于CMR早期诊断CVD

长期以来，CMR因分析门槛高、耗时长难以用于大规模筛查；而DL的识别处理能力为自动化诊断提供了可能。基于Transformer的深度神经网络实现了“筛查—诊断”双阶段范式：第一阶段利用标准电影序列快速识别结构异常，第二阶段融合多模态信息精细化分类，覆盖11种心血管疾病，在9 719名受试者队列中表现卓越（AUC 0.988），有望成为大规模筛查手段。

传统CMR诊断依赖宏观形态或明显组织改变。影像组学提取纹理、熵值等高维特征，挖掘深层病理特征。急性心肌炎与梗死鉴别困难，DI NOTO等提取LGE影像组学特征构建模型，有效捕捉病灶空间异质性（AUC＞0.85）。NEISIU等分析HCM和高血压心脏病T1 mapping纹理特征，模型鉴别准确率达86.2%，一致性指数0.82；但临床转化需标准化规范。

4 AI用于评估CVD预后

ANTIOCHOS提出“左心室熵”度量图像复杂度，与MACE独立相关（HR=1.61）。FAHMY等发现LGE影像组学特征与心源性猝死风险密切相关，为现有SCD风险模型提供增量信息。对于缺血性心脏病，影像组学ML模型预测ST段抬高型心肌梗死MACE风险（AUC=0.97），揭示异质性瘢痕更易导致电传导异常。这些研究基于大量影像数据，但作为临床预后标志物的可靠性尚待大型前瞻性研究证实（TRL 1～5级）。

传统Cox模型假设线性关系；ML算法能处理高维数据与非线性交互，挖掘隐匿风险。基于CMR与临床特征的ML模型识别高危HCM优于传统模型，有助于筛选ICD获益人群。MALAHFJI等利用无监督聚类分析探讨主动脉瓣反流表型，提供增量预后价值。PUJADAS等发现引入CMR指数的ML模型能显著提高心力衰竭、心房颤动预测准确性（AUC=0.84）。

AI模型整合异构数据能力强，可融合CMR、临床资料、心电图。POPESCU将神经网络嵌入缺血性心脏病生存模型，优于标准临床模型。LAI等开发的Transformer多模态模型综合分析临床、超声、报告及LGE图像，预测HCM致死性心律失常AUC达0.81，优于现有评分系统。

5 大语言模型应用进展

生成式AI及大语言模型能深度理解医疗文本。LLM自动将自由文本转化为结构化数据。WANG等发现LLM用于CMR报告分类与辅助诊断准确。LLM重塑医患沟通，将专业术语转化为通俗摘要，提升患者认知。医疗聊天机器人也能实时回答疑问。

6 局限性与展望

尽管AI潜力巨大，但迈向临床普及仍面临挑战。现有模型多基于单中心数据，缺乏大规模标准化多中心数据集，鲁棒性受限。算法“黑箱”性质导致可解释性缺失。LLM生成诊断结论时存在“幻觉”，需医师监督。未来AI将渗透CMR全流程，结合LLM、影像组学、基因组学，实现多模态整合。

7 小结

AI用于CMR正逐步成熟，演变为全流程多功能辅助工具，在提升效率与数据处理能力方面潜力巨大。部分商业化工具已投入临床，但模型可解释性与泛化能力仍是壁垒。随着技术发展与临床验证，AI将进一步推动CMR诊疗智能化。

参考文献

［1］ BENZ D C, GRNI C, ANTIOCHOS P, et al. Cardiac magnetic resonance biomarkers as surrogate endpoints in cardiovascular trials for myocardial diseases［J］. Eur Heart J, 2023,44(45):4738-4747. ［2］ JAFARI M, SHOEIBI A, KHODATARS M, et al. Automated diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging using deep learning models: A review［J］. Comput Biol Med, 2023,160:106998. ［3］ LEINER T, RUECKERT D, SUINESIAPUTRA A, et al. Machine learning in cardiovascular magnetic resonance: Basic concepts and applications［J］. J Cardiovasc Magn Reson, 2019,21(1):61. ［4］ MASTRODICASA D, van ASSEN M, HUISMAN M, et al. Use of AI in cardiac CT and MRI: A scientific statement from the ESCR, EuSoMII, NASCI, SCCT, SCMR, SIIM, and RSNA［J］. Radiology, 2025,314(1):e240516. ［5］ QUER G, ARNAOUT R, HENNE M, et al. Machine learning and the future of cardiovascular care: JACC state-of-the-art review［J］. J Am Coll Cardiol, 2021,77(3):300-313. ［6］ LITJENS G, CIOMPI F, WOLTERINK J M, et al. State-of-the-art deep learning in cardiovascular image analysis［J］. JACC Cardiovasc Imaging, 2019,12(8 Pt 1):1549-1565. ［7］ ISENSEE F, JAEGER P F, KOHL S A A, et al. Nnu-Net: A self-configuring method for deep learning-based biomedical image segmentation［J］. Nat Methods, 2021,18(2):203-211. ［8］ GILLIES R J, KINAHAN P E, HRICAK H. Radiomics: Images are more than pictures, they are data［J］. Radiology, 2016,278(2):563-577. ［9］ XUE H, ARTICO J, FONTANA M, et al. Landmark detection in cardiac MRI by using a convolutional neural network［J］. Radiol Artif Intell, 2021,3(5):e200197. ［10］ GHANBARI F, MORALES M A, STREET J A, et al. Free-breathing, highly accelerated, single-beat, multisection cardiac cine MRI with generative artificial intelligence［J］. Radiol Cardiothorac Imaging, 2025,7(2):e240272. ［11］ LYU Q, SHAN H, XIE Y, et al. Cine cardiac MRI motion artifact reduction using a recurrent neural network［J］. IEEE Trans Med Imaging, 2021,40(8):2170-2181. ［12］ HU H, PAN N, FRANGI A F. Fully automatic initialization and segmentation of left and right ventricles for large-scale cardiac MRI using a deeply supervised network and 3D-ASM［J］. Comput Methods Programs Biomed, 2023,240:107679. ［13］ FAHMY A S, NEISIUS U, CHAN R H, et al. Three-dimensional deep convolutional neural networks for automated myocardial scar quantification in hypertrophic cardiomyopathy: A multicenter multivendor study［J］. Radiology, 2020,294(1):52-60. ［14］ ZHANG Q, BURRAGE M K, SHANMUGANATHAN M, et al. Artificial intelligence for contrast-free MRI: Scar assessment in myocardial infarction using deep learning-based virtual native enhancement［J］. Circulation, 2022,146(20):1492-1503. ［15］ ZHANG Q, BURRAGE M K, LUKASCHUK E, et al. Toward replacing late gadolinium enhancement with artificial intelligence virtual native enhancement for gadolinium-free cardiovascular magnetic resonance tissue characterization in hypertrophic cardiomyopathy［J］. Circulation, 2021,144(8):589-599. ［16］ WANG Y J, YANG K, WEN Y, et al. Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging［J］. Nat Med, 2024,30(5):1471-1480. ［17］ PRASAD S K, AKBARI T, BISHOP M J, et al. Late gadolinium enhancement imaging and sudden cardiac death［J］. Eur Heart J, 2025,46(36):3555-3568. ［18］ HASSANI C, SAREMI F, VARGHESE B A, et al. Myocardial radiomics in cardiac MRI［J］. AJR Am J Roentgenol, 2020,214(3):536-545. ［19］ DI NOTO T, von SPICZAK J, MANNIL M, et al. Radiomics for distinguishing myocardial infarction from myocarditis at late gadolinium enhancement at MRI: Comparison with subjective visual analysis［J］. Radiol Cardiothorac Imaging, 2019,1(5):e180026. ［20］ NEISIUS U, ELREWAIDY H, NAKAMORI S, et al. Radiomic analysis of myocardial native T1 imaging discriminates between hypertensive heart disease and hypertrophic cardiomyopathy［J］. JACC Cardiovasc Imaging, 2019,12(10):1946-1954. ［21］ ANTIOCHOS P, GE Y, van der GEEST R J, et al. Entropy as a measure of myocardial tissue heterogeneity in patients with ventricular arrhythmias［J］. JACC Cardiovasc Imaging, 2022,15(5):783-792. ［22］ FAHMY A S, ROWIN E J, JAAFAR N, et al. Radiomics of late gadolinium enhancement reveals prognostic value of myocardial scar heterogeneity in hypertrophic cardiomyopathy［J］. JACC Cardiovasc Imaging, 2024,17(1):16-27. ［23］ DURMAZ E S, KARABACAK M, OZKARA B B, et al. Radiomics-based machine learning models in STEMI: A promising tool for the prediction of major adverse cardiac events［J］. Eur Radiol, 2023,33(7):4611-4620. ［24］ ZHAO K, ZHU Y, CHEN X, et al. Machine learning in hypertrophic cardiomyopathy: Nonlinear model from clinical and CMR features predicting cardiovascular events［J］. JACC Cardiovasc Imaging, 2024,17(8):880-893. ［25］ MALAHFJI M, TAN X, KAOLAWANICH Y, et al. Machine learning identification of patient phenoclusters in aortic regurgitation［J］. JACC Cardiovasc Imaging, 2025,18(5):557-568. ［26］ PUJADAS E R, RAISIESTABRAGH Z, SZABO L, et al. Prediction of incident cardiovascular events using machine learning and CMR radiomics［J］. Eur Radiol, 2023,33(5):3488-3500. ［27］ POPESCU D M, SHADE J K, LAI C, et al. Arrhythmic sudden death survival prediction using deep learning analysis of scarring in the heart［J］. Nat Cardiovasc Res, 2022,1(4):334-343. ［28］ LAI C, YIN M, KHOLMOVSKI E G, et al. Multimodal AI to forecast arrhythmic death in hypertrophic cardiomyopathy［J］. Nat Cardiovasc Res, 2025,4(7):891-903. ［29］ SENGUPTA P P, CHANDRASHEKHAR Y. From conventional deep learning to GPT: AIs emergent power for cardiac imaging［J］. JACC Cardiovasc Imaging, 2023,16(8):1129-1131. ［30］ WANG L, PENG L, WAN Y, et al. Automated cardiac magnetic resonance interpretation derived from prompted large language models［J］. Cardiovasc Diagn Ther, 2025,15(4):726-737. ［31］ BHAYANA R. Chatbots and large language models in radiology: A practical primer for clinical and research applications［J］. Radiology, 2024,310(1):e232756. ［32］ HOWARD J P, ZHANG Q, SALIH A M, et al. Artificial intelligence in cardiovascular imaging: Risks, mitigations and the path to safe implementation［J］. Heart, 2026,112(5):246-252. ［33］ AROMIWURA A A, CAVALCANTE J L, KWONG R Y, et al. The role of artificial intelligence in cardiovascular magnetic resonance imaging［J］. Prog Cardiovasc Dis, 2024,86:13-25.

文献引用：陈星蕊,马璇,张奥翔,等.人工智能对优化心脏MR诊疗全流程应用进展[J].中国医学影像技术,2026,42(5):803-806.

敬请关注