三尖瓣环是位于右房室口、连接三尖瓣叶与右心室，并与右心房的隔膜相延续的马蹄形纤维性骨架结构。其主要功能在于维持三尖瓣的正常启闭，且其形态与结构对右心室的舒张与收缩功能具有关键影响。多项研究表明，超声组织多普勒成像（tissue Doppler imaging，TDI）可用于评估三尖瓣环的运动，特别是三尖瓣环收缩期峰值速度（tricuspid annular peak systolic velocity，TAPSV），常被用来判断右心室的收缩功能^[1-2]。右心室收缩功能的异常与多种心血管疾病密切相关，包括肺动脉高压^[3-5]、肥厚性心肌病、高血压性心脏病等^[6]。右心室收缩功能的准确评估对于指导右心室功能障碍临床治疗有重要意义。然而，TDI技术存在角度依赖性高、噪声明显、重复性差等不足^[7-8]，导致TAPSV的测定及右心室收缩功能的评估易受操作者影响，从而使诊断结果不稳定。目前关于利用超声人工智能（artificial intelligence，AI）辅助预测TAPSV并评估右心室的收缩功能的研究较为少见。本研究旨在开发基于超声影像的AI辅助诊断系统，实现TAPSV的自动化测量和右心室收缩功能评估，并探讨该AI辅助诊断系统在临床应用中的潜在价值。

1   资料和方法

1.1   研究对象

纳入2023年5月至2024年1月在同济大学附属上海市第四人民医院进行超声检查并行TDI、TAPSV测量及右心室收缩功能评估的647例门诊患者。纳入标准：（1）年龄≥18周岁；（2）自愿参加并能配合研究。排除标准：（1）显著心律不齐；（2）近期有活动性出血史；（3）严重肝、肾或肺部疾病；（4）正在接受血液透析治疗；（5）患有严重精神疾病；（6）处于妊娠期或哺乳期的患者；（7）上肢存在感染；（8）无法配合完成超声测量操作。将647例患者按照8∶1∶1的比例划分成训练集、验证集和测试集，其中训练集517例、验证集65例、测试集65例。训练集用于AI模型参数学习，验证集用于超参数调优及过拟合监测，测试集用于最终独立评估。本研究通过同济大学附属上海市第四人民医院伦理委员会审批（SY-XKZT-2023-2002）。

1.2   深度学习模型

本模型的输入数据格式为C×F×H×W四维张量（C、F、H、W分别为视频通道数、时间帧数、图像高度和宽度）。在医学影像预处理阶段，首先对原始DICOM格式的超声心动图视频进行去标识化，通过遮罩操作移除文字标签、心电同步信号等信息，并将灰度帧复制为彩色三通道形式。在训练集上统计每通道的均值与标准差，采用Z分数（Z-score）标准化消除采集条件带来的亮度与对比度差异。采用时序采样将所有视频的帧数统一为16帧（F＝16）；以三尖瓣环为中心对采样帧进行裁剪以提取感兴趣区（region of interest，ROI），再通过双三次插值将空间分辨率规范化为112像素×112像素。通过动态时间采样算法使每个输入视频至少包含1个完整心动周期，避免因采样不足导致心脏运动特征丢失，以确保心脏功能评估的准确性。此外，在模型训练前，对输入数据施加随机填充、随机裁剪等数据增强处理，提升模型的鲁棒性。在特征提取阶段（图 1），本研究采用包含3D卷积层、批量归一化与修正线性单元（rectified linear unit，ReLU）激活函数的3D卷积模块进行时空特征编码。该模块在保留空间细节的同时可建立时序关联，其三维卷积核能够有效捕获心脏运动的动态特性。提取的三维特征被送入由四级级联的多尺度残差注意力结构构成的注意力模块中，其中每一级均包含多尺度卷积与三维混合注意力机制：多尺度卷积采用卷积核大小分别为3×3×3、7×7×7、13×13×13的3D卷积，实现3像素×3像素至13像素×13像素范围的感受野覆盖，可同步捕获局部心肌纹理和全局心室形态特征；三维混合注意力机制通过通道注意力模块（channel attention block，CAB）强化与TAPSV相关的特征，再结合空间注意力模块（spatial attention block，SAB）聚焦心室边界及三尖瓣环等关键运动区域，同时引入残差连接实现跨层恒等映射，确保梯度有效回传，从而加速模型收敛及提升训练稳定性，最后输出多尺度优化后的特征^[9]。经过四阶特征融合后，时空特征张量进入特征映射模块。该模块采用全连接层与1×1×1卷积的混合架构，通过非线性变换将高维特征降维至低维潜在空间，最终经线性回归输出TAPSV。当TAPSV＜10 cm/s时判定为右心室收缩功能异常，TAPSV≥ 10 cm/s视为正常。

图  1  AI模型的网络图

Fig.  1  Network diagram of AI model

AI: Artificial intelligence; ROI: Region of interest; TAPSV: Tricuspid annular plane systolic velocity; CAB: Channel attention block; SAB: Spatial attention block. : Hadamard product; : Element-wise addition.

下载: 全尺寸图片

1.3   一致性分析

采用组内相关系数（intraclass correlation coefficient，ICC）进行观察者间与观察者内一致性分析，观察者间一致性指AI模型以2位同年资（工作经验＞5年）心脏超声医师的不同ROI勾画结果为输入时预测值的一致性[通过调整Dropout（随机丢弃神经元）的概率模拟不同AI模型预测，以此完成观察者间一致性的计算]；观察者内一致性指AI模型以同1位心脏超声医师（工作经验＞5年）2次测量的不同ROI勾画结果作为输入预测值的一致性。

1.4   统计学处理

应用Python 3.10.12进行统计学分析。近似正态分布的计量资料以x±s表示，偏态分布的以M（Q₁，Q₃）表示；分类资料以例数和百分数表示。训练集、验证集和测试集3组基线资料的比较基于scipy包kruskal、chi2_contingency函数实现，偏态计量资料采用Kruskal-Wallis秩和检验，分类资料采用χ²检验。采用ICC评价观察者内、观察者间一致性，基于pingouin库的intraclass_corr函数计算ICC值。ROC曲线及AUC通过scikit-learn包绘制与计算。检验水准（α）为0.05。

2   结果

2.1   一般资料

本研究共纳入647例患者，年龄为18~91（60.27±15.22）岁，TAPSV为2~27（12.33±2.58）cm/s，有75例右心室收缩功能异常（TAPSV＜10 cm/s）。训练集、验证集和测试集患者的基线资料及心功能相关指标差异均无统计学意义（P＞0.05，表 1）。

2.2   AI模型的诊断性能

在验证集中，AI模型预测的TAPSV与手动测量结果的相关系数为0.66（95%CI 0.53~0.76），平均绝对误差为0.86（95%CI 0.76~0.97），相对误差为7.746%，均方根误差为1.01（95%CI 0.90~1.11）。在测试集中，AI模型预测的TAPSV与手动测量结果的相关系数为0.65（95%CI 0.52~0.74），平均绝对误差为0.94（95%CI 0.83~1.05），相对误差为8.249%，均方根误差为1.08（95%CI 0.98~1.17）。AI模型在验证集中对右心室收缩功能异常的诊断准确度为0.641，AUC为0.746，灵敏度为0.577，特异度为0.684；在测试集中，准确度为0.754，AUC为0.814，灵敏度为0.839，特异度为0.676。见图 2。

图  2  在验证集与测试集中AI模型对右心室收缩功能异常的诊断性能

A: ROC curve of AI model in diagnosing right ventricular systolic dysfunction in the validation set; B: Scatter plots of actual vs predicted TAPSV values in the validation set; C: ROC curve of AI model in diagnosing right ventricular systolic dysfunction in the test set; D: Scatter plots of actual vs predicted TAPSV values in the test set. AI: Artificial intelligence; TAPSV: Tricuspid annular peak systolic velocity; ROC: Receiver operating characteristic.

Fig.  2  Diagnostic performance of AI model for right ventricular systolic dysfunction in validation and test sets

下载: 全尺寸图片

2.3   一致性分析

本研究在测试集上对AI模型的诊断一致性进行检验，AI模型的观察者间ICC为0.874，优于2位医师手动测量间的一致性（ICC为0.777）；在观察者内AI模型的ICC为0.922，优于同1位医师2次手动测量的一致性（ICC为0.857）。

3   讨论

超声心动图作为评估心脏结构与功能的常用工具，在临床中应用广泛且发挥着重要作用。然而，当前心脏超声功能评估多聚焦于左心室的舒张与收缩功能，与左心室功能同等重要的右心室功能却常被临床忽视，主要原因在于其检查耗时、对操作者的经验和技能要求较高，难以满足急重症患者的快速临床响应需求。因此，开发高效的AI诊断工具辅助基层一线医师实现心功能的规范化、便捷化全面精准评估，具有重要的现实意义。

评估右心室收缩功能的超声心动图指标较为多样，主要包括三尖瓣环平面收缩偏移、右心室面积变化分数、右心室游离壁纵向应变、TDI测量的TAPSV以及右心室心肌性能指数等^[10-14]。在标准心尖四腔心切面上，通过TDI测量的TAPSV是定量评估右心室收缩功能的关键参数之一^{[11, 13]}。然而，TAPSV测量易受超声探头角度、操作者经验及成像质量影响^[8]，尤其在右心室功能早期异常检测中，传统超声评估方法主观性较强、一致性较差；此外，对于基层或低年资超声医师而言，心脏超声功能检查的学习周期较长，测量精准度也参差不齐。因此，开发稳定、客观且可重复的超声AI辅助诊断工具有助于提高右心室收缩功能评估的准确性，减少医师间差异，并优化心血管疾病的诊断管理^[15]。

近年来，随着AI技术的快速发展，超声AI在心脏功能评估领域的应用已取得显著进展。尤其在右心室收缩功能评估中，AI技术通过深度学习算法与多模态数据分析，展现出较高的诊断准确性与临床应用潜力。尽管如此，超声AI在心脏超声功能评估领域仍存在一些问题与不足。首先，传统AI模型的特征提取方式较为单一，难以同时捕捉局部心肌纹理与全局心室形态特征，限制了其对复杂动态运动的表达能力。其次，早期研究对时间序列信息的利用不够充分，未能有效建模心动周期内的关键运动特征，导致预测精度受到制约。此外，既往AI模型的泛化能力较弱，在不同人群中的表现往往欠佳，影响了其临床适用性。最后，以往研究在观察者间及观察者内一致性方面表现欠佳，且在低质量图像或复杂场景下的适应性不足，难以满足实际临床需求。本研究开发的基于深度学习的超声AI辅助诊断系统在测试集预测TAPSV的平均绝对误差为0.94，相对误差为8.249%，低于临床常用手工测量方法的误差阈值^{[10, 16-17]}；同时，其对右心室收缩功能异常诊断AUC为0.814，灵敏度为0.839，表明该模型具有较高的诊断准确性。

相对于既往研究报道，如Liu等^[15]利用AI辅助应变分析软件进行右心室功能评估任务，该AI辅助软件存在依赖图像质量和采集标准的局限性，并未充分利用到右心室的多尺度特征，研究也未评估观察者间变异性。本研究的创新性主要体现在特征提取优化、数据预处理优化及临床诊断优化3个方面。第一，通过融合多尺度残差注意力机制与三维混合注意力模块，使AI能够同时捕捉局部心肌纹理与全局心室形态特征，提升TAPSV预测精度，将相对误差控制在10%以内。第二，引入动态时间抽样技术，确保每个输入视频至少包含1个完整心动周期，有效避免因超声图像采样不足导致的特征丢失问题。第三，在右心室功能评估方面，该AI模型的诊断灵敏度达0.839，表明即便经不平衡数据训练，其仍具备筛查右心室收缩功能异常的能力。AI模型测量结果的观察者间ICC为0.874，观察者内ICC为0.922，均高于人工测量（分别为0.777和0.857），说明该AI模型可有效减小操作者间差异，提升测量的可重复性。因此，该AI模型可提升右心室收缩功能评估的准确性。TAPSV作为右心室功能的关键指标，其精准测量对肺动脉高压、右心衰竭等右心功能障碍的早期诊断至关重要。AI模型可实现TAPSV的标准化测量，减少数据异质性，增强结果的稳定性，充分体现了超声AI辅助诊断系统在右心室功能评估中的临床价值。

本研究仍存在以下局限性。首先，样本量相对有限，未来需扩大数据规模以验证模型的鲁棒性；其次，AI模型的训练、验证数据均来自同一中心，后续计划开展多中心验证以进一步优化模型性能^[18]；最后，尽管AI模型在测试集中表现出较高的诊断准确性，但其在实时超声检查场景下的实际应用效果仍需通过前瞻性研究加以验证。未来研究可从以下方向进一步探索：（1）引入多中心数据，以提升模型的泛化能力；（2）开发实时质量控制模块，减少因图像质量问题导致的误判，增强模型的鲁棒性；（3）探索AI模型在右心室功能动态监测中的应用价值，例如用于术后随访或药物治疗效果评估。