AI多视角架构助力心脏病精准诊断

心脏病是全球成年人死亡的主要诱因，因此心血管疾病的早期识别与干预已成为全球公共卫生的重点议题。超声心动图作为临床医生评估心脏结构与功能的常用影像手段，广泛应用于各类心臟疾病的诊断。

传统的超声心动图通常以二维图像形式呈现三维心脏结构，每份检查包含数百张动态心脏切面图像，供医生综合判断心脏形态与运动状态。

为提升诊断精度，加州大学旧金山分校的研究团队探索了深度神经网络（DNN）的优化路径，提出一种新型“多视图”AI架构，能够同步整合多个成像角度的信息，突破传统单一视图分析的局限。该架构被用于训练模型识别三种常见心血管异常：左右心室功能障碍、舒张功能减退及瓣膜反流。

3月17日发表于《自然心血管研究》的一项研究表明，研究人员对比了来自UCSF和蒙特利尔心脏研究所的超声数据中，单视图与多视图DNN模型的表现。结果显示，多视图模型在疾病识别准确率上显著优于单一视图模型，能更全面地反映心脏病理状态。

“目前的人工智能大多仅处理单个2D图像或视频片段，难以跨视角捕捉疾病相关联的信息，”资深作者杰弗里·蒂森博士指出，他同时是UCSF生物信号研究中心联合主任及心脏病专家。“我们开发的多视图神经网络可整合高分辨率多角度信息，这是推动医学影像AI性能跃升的关键一步。尤其在超声心动图中，多数诊断需依赖多个视角协同判断，单一视图往往无法完整反映病情。”

例如，在评估左心室（LV）时，A4c视图能清晰显示室间隔内壁和前外侧壁，而A2c视图则覆盖前壁和下壁。有时某一视图显示正常，另一视图却揭示明显功能异常。研究发现，多视图模型能有效学习各视角间特征关联，从而在识别心室异常和舒张功能障碍方面表现更优。

“我们的多视图架构专门设计用于捕捉不同成像视角之间的复杂关系，”加州大学旧金山分校助理教授约书亚·巴里奥斯博士表示，“不仅提升了超声诊断效率，这一框架也可拓展至其他需多视角分析的医学影像领域。”

此外，研究还发现，将三个单视图DNN的预测结果取平均值，可在降低计算成本的同时提升性能，成为多视图模型的可行替代方案。但整体而言，多视图DNN仍展现出最强的诊断能力。研究团队建议未来进一步探索该架构在其他医疗场景中的应用潜力。

参考文献

Multiview deep learning improves detection of major cardiac conditions from echocardiography