北京瓣膜会2026：AI融入瓣膜病诊疗的全链路实践与思考

2026年7月8日，由国家心血管疾病临床医学研究中心、首都医科大学附属北京安贞医院、首都医科大学附属北京安贞医院心脏瓣膜病介入中心、亚太结构性心脏病青年俱乐部（APSHD）联合北京华卫公益基金会共同主办的第六届北京瓣膜会（BEIING VALVES 2026）盛大启航，宣告一场为期5天的学术交流正式开启。7月10日下午，“人工智能在心脏瓣膜病诊疗中的应用”专题论坛召开。论坛围绕“心血管影像AI与数字化介入规划”及“心血管AI临床转化与虚拟验证”两大主题展开，内容涵盖多模态影像、经导管主动脉瓣置换术（TAVR）术前规划、医疗AI治理、真实世界落地及虚拟人体孪生等领域。参会专家在分享技术成果的同时，也重点围绕临床验证、流程衔接、权责界定及医师能力培养展开深入讨论。

Session 1：心血管影像AI与数字化介入规划

本环节由Joao Cavalcante教授主持，陈韵岱教授、Joao Cavalcante教授与赵世华教授共同担任主席，丁风华教授、段福建教授、吴信雷教授、薛亚军教授、叶绍东教授参与讨论。

中国医学科学院阜外医院赵世华教授系统回顾了心血管影像AI历经机器学习、深度学习直至大模型的演进历程。他以非增强CT辅助冠心病识别、非增强MRI识别心肌梗死以及AI辅助心肌病分型为例，强调AI的应用价值已从单纯的图像处理拓展至诊断辅助层面。阜外医院团队依托1万余例病例开展的心肌病智能分型研究，为疑难疾病的影像判读奠定了坚实的数据支撑。

赵世华教授将当前的大模型形象地比喻为“刚踏入职场的大学生”：能够通过持续学习成长为临床助手，但面对罕见病及复杂病情时，仍需资深专家把关。讨论中，多位专家聚焦于年轻医师培养、技能弱化及质量管控等议题。Atiq Rehman教授建议，应构建清晰的治理框架，确保医师始终主导决策链条；赵世华教授则着重指出，临床医生应深度介入模型研发，将真实临床痛点转化为可落地的技术路径。

中国人民解放军总医院陈韵岱教授分享了基于冠状动脉CT血管成像（CTA）影像组学的左心耳血栓评估成果。针对经食管超声心动图存在侵入性、部分患者依从性欠佳的痛点，团队构建了6198例非瓣膜性心房颤动患者队列，并前瞻性纳入114例完成外部验证。

研究整合临床、超声及CT影像组学多维信息，从1231个影像特征中优选出25个核心特征。模型曲线下面积（AUC）达0.963，外部验证AUC为0.92。陈韵岱教授强调，该模型的核心优势在于出色的阴性预测能力，有望精准筛选低风险群体，降低非必要的有创检查。团队后续将着力研发在线风险评估工具。讨论嘉宾则建议进一步优化阳性预测效能，并在更广泛人群中加以验证。

首都医科大学附属北京安贞医院徐磊教授介绍，AI已深度赋能心脏影像采集、重建、分割、定量分析及功能评估等全流程。例如，系统可自动测算心腔容积、心肌质量及心外膜脂肪，并能辅助开展冠状动脉、慢性完全闭塞病变及桥血管评估。团队在主动脉CTA检查中成功将对比剂用量压缩至19mL，并常规推行CT血流储备分数（CT-FFR）分析。

面向更复杂的诊断与预后场景，团队正积极探索心肌病分型、心房颤动消融术后复发预警及先天性心脏病术后评估等方向。徐磊教授指出，AI在影像后处理环节应用已较为成熟，但应用于临床诊断与预后推断时，仍需更多高质量多中心、前瞻性研究支撑。针对光子计数CT与AI的协同关系，他认为二者更可能形成互补：前者提升图像质量，后者强化信息提取与分析能力。

空军军医大学西京医院毛予教授分享了AI与数值仿真在复杂TAVR术前规划中的实践。团队自主研发了主动脉根部自动分割、关键平面定位及钙化评估算法，并借助CT重建与计算流体力学（CFD）技术，模拟不同瓣膜型号、不同植入位点下的血流动力学状态，为瓣膜选型与释放策略提供量化依据。

团队还尝试模拟球囊扩张过程中瓣膜在不同压力下的形变规律，并探索AI与CFD融合以提升运算效率。毛予教授表示，模型对瓣膜选型与植入位点的预测已具备较高精度，但钙化特征、组织反应等复杂变量仍需术者综合研判。当模型建议与专家判断相左时，AI应作为辅助参考，而非取代临床决策。

美国明尼阿波利斯心脏研究所Joao Cavalcante教授聚焦多瓣膜病变的影像评估。他指出，现有诸多指标源自单瓣膜病研究，当狭窄与反流并存时，血流动力学相互干扰，传统多普勒参数易出现低估或高估。例如，主动脉瓣狭窄合并二尖瓣反流时，前向每搏输出量减少将影响跨瓣压差判断。

他强调，经胸超声心动图仍是首选检查；当图像质量欠佳、结果矛盾或机制难以厘清时，CT与心脏磁共振可提供有效补充。不同影像技术的严重程度判定阈值各异，临床解读时切忌生搬硬套统一标准。讨论中，专家还就三尖瓣病变合并其他瓣膜病时的影像策略，以及CT在术前解剖定位与AI辅助功能评估中的价值交换了看法。

国家市场监督管理总局特聘专家、原腾讯战略与安全负责人刘巍教授从监管与平台建设维度剖析医疗AI发展。他表示，中国具备丰富的应用场景与敏捷的产品迭代能力，但医疗AI关乎高风险决策，创新节奏必须与数据安全、质量管控、责任追溯同频共振。

他倡议医疗机构与技术团队搭建主动预警机制，将合规要求嵌入产品设计、部署及迭代全周期；同时借助平台化协同打通临床、工程、监管与产业资源，杜绝以孤立工具形式进入医疗机构的算法产品。

集中讨论围绕“多模态影像AI如何切实转化为瓣膜病介入决策”展开。专家一致认为，AI可用于预测人工瓣膜展开形态、识别低冠状动脉开口及冠状动脉阻塞风险，但在迈向临床决策前，仍需攻克数据标准化、测量一致性、模型可解释性及责任归属等难关。

Joao Cavalcante教授指出，AI系统的成本与支付模式将直接关乎其可持续推广；当模型失误引发过度医疗时，必须厘清责任边界。Atiq Rehman教授再次警示需防范自动化依赖与“警报疲劳”。与会专家形成共识：AI的定位应是赋能而非削弱医师能力，质量管控与人工复核环节不可或缺。

Session 2：心血管AI临床转化与虚拟验证

本环节由张萍教授与卜军教授主持，Atiq Rehman教授、葛俊波教授、张运教授担任主席，柴大军教授、Dukwoo Park教授、蒋昊教授、李妍教授、汪宇鹏教授、王杨教授、俞飞成教授共同参与讨论。议题由算法与影像技术纵深拓展至真实医疗场景下的验证与部署。

上海交通大学医学院附属仁济医院卜军教授分享了AI实时影像融合在结构性心脏病介入中的创新应用。传统CTA与数字减影血管造影（DSA）融合易受患者位移与机位变动干扰，而AI可高效完成术前CT或心脏磁共振与术中DSA的动态配准。

团队已将此项技术成功应用于TAVR、二尖瓣经导管缘对缘修复、三尖瓣修复及左心耳封堵等术式。以三尖瓣修复为例，融合影像可精准标注瓣环、冠状动脉及心耳等解剖结构，辅助术者优选夹合位点并规避右冠状动脉损伤风险。卜军教授介绍，团队已完成约400至500例融合引导下的左心耳封堵，部分病例从穿刺至器械释放仅需约10分钟。针对空间尺度更小、精度要求更高的冠状动脉介入，影像融合技术仍需持续打磨。

Atiq Rehman教授从可观测性（Observability）、监督（Oversight）及技能退化（Deskilling）三个维度剖析心血管AI潜在风险。AI处理的是患者数据，难以全面捕捉表情、迟疑、家庭支持等临床情境；当系统逐步具备自主执行能力时，亟需明确人类如何核验结果、如何中断错误流程以及责任归属。

他特别关注自动化对临床培训的深远影响。长期依赖系统可能削弱医师独立判断与手工操作能力，因此高风险场景必须设置“安全护栏”，并保留人工接管通道。讨论中，与会专家认为，低风险、流程标准化的任务可优先引入AI；涉及高速操作或不可逆治疗决策时，则应施以更严苛的验证与监管。

北京清华长庚医院张萍教授系统阐述了影像组学从图像采集、感兴趣区域分割、特征提取、筛选降维至建模验证的标准流程，并展示了其在肥厚型心肌病、扩张型心肌病、TAVR术前评估、血栓稳定性识别及主动脉疾病风险评估等场景的研究进展。

她强调，多模态影像可多维度刻画心脏结构与功能，但不同设备、扫描协议及中心间存在显著差异。影像组学若要真正服务于临床风险分层，必须先行破解图像标准化、特征可重复性及外部验证等瓶颈。Joao Cavalcante教授也在讨论中指出，跨厂商、跨平台的一致性是多中心推广的核心障碍之一。

北京幂律视通科技有限公司首席科学家张志斌教授分享了TokenOS智能计算平台及“意图驱动编程”“交互式研究”等创新理念。平台能够依据任务复杂度灵活调度不同模型，并将专家经验沉淀为可复用流程，覆盖文献研读、数据处理、假设生成与结果验证等环节。

他着重强调，AI参与科研绝不意味着可以省略审查环节。使用者仍需明确研究目标、评价指标及质量控制闭环，并通过代码执行、数据反馈等手段校验模型输出。对心血管研究而言，大模型的核心价值在于融合影像、信号与数值模拟等多模态成果，而非取代研究者作出终极判断。

新加坡国家心脏中心Yeo Khung Keong教授以实施科学为切入点，引入RE-AIM框架，从覆盖范围、有效性、采纳度、实施过程及持续性五个维度综合评估AI工具。Yeo Khung Keong教授强调，模型在研究中表现优异，并不等同于能在医疗系统中长效运行。支付方态度、后续检查成本、医师认知负担及与现有流程的融合度，均直接影响落地成效。

报告以AI心电图、CT-FFR及介入导航系统为例，指出临床价值、工作流、成本、监管与支付需统筹考量。若一款工具要求医护人员额外承担复杂操作，即便精度较高，也难以广泛推广。讨论中，专家还探讨了早期筛查的获益评估、机器人辅助对培训的影响，以及高风险TAVR场景所需的临床证据等级。

Virtual Heart Twin项目创始人、Dassault Systèmes生命科学总监Steve Levine教授介绍了Living Heart Project。该项目以CT、MRI等数据为基础，整合组织材料属性、心肌纤维走向、电生理传导及瓣膜动力学，构建可用于计算实验的虚拟心脏模型。

他将相关技术划分为三个层级：计算物理模型精度高但耗时较长；数据驱动模型速度快但高度依赖训练数据；生物物理AI则致力于融合二者优势。在计算机模拟临床试验（in-silico trials）中，经充分验证的模型可生成具备不同解剖与生理特征的虚拟人群，用以测试器械设计与手术策略。Levine教授同时提醒，虚拟模型仍需依托代表性临床数据校准，不同人群的数据差异不容忽视。

本环节讨论聚焦四大议题：如何设定前瞻性验证指标、如何将AI嵌入临床工作流、如何保障数据安全并追溯责任、如何推进多中心协同。专家一致认为，算法性能仅是起点；医院部署还需统筹系统稳定性、人员培训、支付模式与持续监测。

Atiq Rehman教授倡议，在引入自动化的同时应持续夯实医师基本功。Joao Cavalcante教授主张技术演进与治理体系同步推进。Steve Levine教授则认为，AI与计算物理融合，可在提升效率的同时增强可解释性，并弥补真实世界中难以积累的罕见场景证据。

总结

本次论坛全景呈现了心血管AI从影像采集与定量分析、术前规划与介入导航，到真实世界实施与虚拟验证的完整闭环。部分工具已嵌入临床工作流，但诊断、预后预测及高风险治疗决策仍亟需前瞻性、多中心研究验证。

较之“AI能做什么”，更关键的命题是“如何安全地驾驭AI”。数据标准、临床证据、工作流适配、合规监管与医师培训环环相扣。唯有技术团队、临床医师、监管部门与产业界协同共进，AI方能从演示效果亮眼的模型，蜕变为稳定、可追溯且真正改善诊疗流程的临床利器。