右心室（RV）功能障碍在各类心血管疾病中具有预后意义，它不仅是肺动脉高压患者临床症状和生存的主要决定因素，而且对左侧心脏病具有独立的预后价值。约一半的心力衰竭和左心室射血分数（LVEF）降低的患者存在右心室功能障碍，与不良结局风险增加2倍相关。因此，筛查右心室功能障碍非常重要。二维（2D）超声心动图是评估右心室功能最常用的影像学手段，然而其无法利用三维（3D）超声心动图衍生的右心室射血分数（RVEF）所提供的临床信息。近期，《美国心脏病学会：心血管影像学杂志》（JACC: CARDIOVASCULAR IMAGING）的一项研究，旨在实现一个基于深度学习（DL）的工具，通过2D超声心动图视频估计RVEF，以人工读数为参照评估了这一工具的性能，并评估了预测RVEF值的预后性能。

研究方法

回顾性鉴定了831例通过3D超声心动图测量RVEF的患者，并检索这些患者的2D心尖4室视图超声心动图视频（n=3583）。受试者以80：20的比例被分入训练集或内部验证集。利用这些视频训练了几个时空卷积神经网络来预测RVEF。将3个性能最佳的网络合并成一个集成模型，并在一个包含365例患者、1493个视频的外部数据集中进行进一步评估，中位随访时间为1.9年。

研究结果

选择患者和视频

从840例符合纳入标准的受试者的3707个心尖4室视图超声心动图视频中，排除了不合格或不足以进行深度学习分析的视频（图1）。最终的内部数据集纳入来自831例患者的944次超声心动图检查的3583个视频。最终的外部数据集纳入365例患者的365次超声心动图检查中的1493个视频。

研究队列的临床特征

内部数据集包括7个不同的队列：1）健康人（n=192；无心血管疾病史，左室和右室功能良好）；2）优秀竞技运动员（n=139）；3）心肌病患者（n=125；中位LVEF为30.1%）；4）瓣膜病患者（n=155；54.8%为严重主动脉瓣疾病，43.9%严重二尖瓣疾病，1.3%既往接受二尖瓣置换或修复术）；5）既往接受原位心脏移植的临床稳定患者（n=87）；6）儿童（n=77；包括健康儿童和肾移植患儿）；7）其他（n=56）。RVEF值范围为21.6%-75.5%，中位54.8%。在135次（14.3%）检查（包含523个视频）中发现右心室功能障碍（定义为RVEF＜45%）。

外部数据集包括患有各种心脏疾病（如心肌病、瓣膜病或肺动脉高压）的成年患者。大多数（97.0%）在同一天也接受了心脏核磁（CMR）评估。在1.9年的中位随访时间中，49例患者（13.4%）达到了主要终点（12例心源性死亡，31例心力衰竭恶化需要住院治疗，6例室性心动过速或纤颤）。相比无事件患者，随访期间出现MACE事件的患者年龄较大，功能状态较差，慢性肾病患病率较高，左心室和右心室形态学和功能参数受损较严重。RVEF值范围为21.9%-65.2%，中位47.6%。145例（39.7%）患者被诊断为右心室功能障碍（632个视频）。

DL模型的RVEF预测性能

在检查水平，DL模型预测的RVEF的内部平均绝对误差（MAE）为4.57%（R2=0.52），外部验证集的内部MAE为5.54%（R2=0.45）。在视频水平，DL模型的MAE分别为5.06%（R2=0.50）和6.11%（R2=0.33）（图2）。Bland-Altman分析显示，内部数据集中的DL预测RVEF值和真值之间有显著但很小的偏差。考虑到人工阅片者间的可变性（4.30%），DL模型的性能堪称良好。模型在不同质量的图像中没有较大的性能差异。无论是内部还是外部验证集，标准和心尖4室视图视频之间的预测误差均无差异。

右心室功能障碍检测

采用指南指导的3D超声心动图界值45%来定义右心室功能不全。在内部（视频水平：AUC=0.929；95%CI：0.896-0.957；检查水平：AUC=0.915；95%CI：0.852-0.966）和外部验证数据集（视频水平：AUC=0.807；95%CI：0.785-0.829；检查水平：AUC=0.841；95%CI：0.796-0.883）中，均能够根据DL推导的RVEF值检测右心室功能障碍，而且具有很高的区分度（图3）。

此外，DL模型的准确性与外部数据集中的人工读数相当（视频水平：74.3% vs. 75.6%；P=0.389；检查水平：78.4% vs. 77.0%；P=0.678），灵敏度更高（视频水平：67.7% vs. 50.3%；P<0.001；检查水平：67.6% vs. 51.7%；P<0.001），但特异性较低（视频水平：79.1 vs. 94.1%；P=0.003；检查水平：85.5 vs. 93.6%；P=0.006）。

预后价值

与RVEF（HR=0.936；95%CI：0.911-0.962；P<0.001）真值相似，DL预测值也与MACE相关（HR=0.912；95%CI：0.875-0.950；P<0.001）。在以年龄、性别和LVEF为协变量的多变量Cox模型中，发现DL预测的RVEF是MACE的独立预测因素（HR=0.924；95%CI：0.862-0.990；P=0.025）（表1）。

使用45%的界值，DL预测的RVEF能够识别MACE高风险和低风险患者亚组。根据预测的RVEF值，患者按四分位数分组，生存分析显示事件发生存在显著性差异。这些结果与地面真实的3D超声心动图得出的真值相似。

研究结论

DL模型可以通过2D超声心动图视频准确评估右心室功能，并使用与3D影像类似的诊断和预后信息。研究结果证明，人工智能可以从低水平影像模态获得高阶临床知识，其性能与临床专家相当甚至更佳，有潜力开发为具有高成本效益的医学影像学工具。

参考文献

Tokodi et al. Deep Learning-Based Prediction of Right Ventricular Ejection Fraction Using 2D Echocardiograms. JACC: CARDIOVASCULAR IMAGING， VOL. 16， NO. 8， 2023 AUGUST 2023:1005-1018.