跳转至

第 28 章 心脏瓣膜的 AI 评估（Artificial Intelligence-Based Evaluation of Cardiac Valves）

作者

  • Gudrun M. Feuchtner, MD, MBA（通讯作者）—— Department of Radiology, Innsbruck Medical University, Innsbruck, Austria；心血管 CT 与瓣膜病影像专家，本章第一作者。
  • Vitalijs Zujs, MD / Nikolaos Bonaros, MD —— Department of Cardiac Surgery, Innsbruck Medical University, Innsbruck, Austria；心脏外科视角，3D 打印与 TAVR 规划。
  • Fabian Plank, MD, PhD —— Department of Internal Medicine III and Cardiology, Innsbruck Medical University, Innsbruck, Austria；心脏内科视角。

本章位于 Part III 心脏应用部分，主题从"冠脉 + 功能学"（Ch 25–27）转向"瓣膜结构"——主动脉瓣、二尖瓣、瓣周漏、人工瓣膜评估。属于"应用 + 工程"性质的章节，AI 工具以 Materialise、Siemens eSie Valve、3Mensio 等商业软件为主，DL 的"硬核"成分相对较少，更多是经典后处理 + 商业化路径介绍。承接第 25 章的冠脉斑块和第 27 章的 CT-FFR，本章展示 CT 在瓣膜介入规划中的关键作用。

内容概述

心脏瓣膜——特别是二尖瓣——是 CT 影像中最难自动分割的对象：瓣叶薄（< 1 mm）、心动周期内高速运动（> 200 mm/s）、运动伪影多。AI 在瓣膜领域的成熟方向反而是瓣膜钙化（HU > 350，X 射线衰减高、稳定可识别）和瓣环 / 瓣周解剖结构（CT 衰减 50–160 HU，软组织边界清晰）。本章按 6 个临床场景组织： 1. 3D 瓣膜与瓣环分割（主动脉瓣、二尖瓣环钙化 MAC、瓣周漏 PVL）—— 商业软件（Materialise）的 3D VRT 与多平面重建。 2. 瓣膜肿块鉴别诊断（pannus / thrombus / 赘生物 / 乳头状纤维弹瘤）—— 主要靠 CT 衰减阈值（pannus > 145 HU, thrombus < 90 HU），AI 暂无系统研究。 3. 3D 打印（先天性心脏病 CHD、TAVI 尺寸规划、瓣周漏封堵）—— 3D 打印把 CT 体数据转化为可触摸物理模型。 4. 微创主动脉瓣置换术（minimally invasive AVR）规划——通过 CT 测胸骨切口位置、肋间距离、主动脉根解剖。 5. TAVI 规划（3D segmentation + 钙化体积）——预测瓣周漏、瓣环破裂、冠脉阻塞。 6. TMVR（经导管二尖瓣置换）规划——Neo-LVOT 模型、aortomitral angle、Mitral Annular Calcification (MAC) 体积。

特别值得关注的是 eSie™ Valve Software（Siemens）[X26][X27][X28]——一种基于 ML 的 3D TEE 自动化二尖瓣分割工具，对 6 个关键参数（瓣环面积、周长、非平面角等）有显著观察者间一致性提升（p = 0.0083）。

核心方程与概念

1. CT 衰减阈值区分瓣膜肿块

Pannus（慢性机化赘生物） vs. Thrombus（血栓） 的鉴别 [X2]：

肿块类型 CT 衰减值（HU） 病理学基础
Pannus > 145 HU 含新生血管 + 碘对比剂摄取
Thrombus < 90 HU 血小板 + 血栓物质，不摄取碘
Papillary fibroelastoma 90–130 HU 纤维弹性组织，轻度摄取
Vegetation（赘生物） 90–130 HU 感染性，HU 与 PFE 重叠

形式化为判别规则： $\(\text{label}(m) = \begin{cases} \text{pannus} & \text{if } \text{HU}(m) > 145 \\ \text{thrombus} & \text{if } \text{HU}(m) < 90 \\ \text{PFE/vegetation} & \text{if } 90 \leq \text{HU}(m) \leq 130 \end{cases}\)$

这一规则是单一中心回顾性研究 [X2] 提出的，证据基础弱。

2. 钙化与软组织的 HU 阈值

  • 瓣膜钙化：HU > 350（典型 350–1000）
  • 纤维组织、瓣叶、瓣环：HU 50–160
  • 含碘血液：HU 200–350

这些阈值是 3D VRT 中"黑血"或"白血"颜色编码的物理基础。

3. 主动脉瓣 3D 分割

CNN 训练目标：把高衰减（钙化）、中等衰减（瓣叶/瓣环/主动脉根壁）三类组织分别分割。对 3D 体数据 \(\mathbf{V} \in \mathbb{R}^{H \times W \times D}\)，CNN 输出三通道分割图 \(\mathbf{S} \in \{0,1\}^{H \times W \times D \times 3}\)： $\(P(\mathbf{S} | \mathbf{V}) = \prod_{(i,j,k)} \text{softmax}\left(f_{\text{CNN}}(\mathbf{V})_{(i,j,k)}\right)\)$

其中每个体素 \((i,j,k)\) 输出属于 (钙化, 软组织, 背景) 的概率。Baskaran 等 [X1] 在多中心 CCTA 上训练 Multi-structure DL 分割模型（含主动脉瓣、瓣环等结构），为 TAVI 规划提供自动化工具。

4. 二尖瓣 3D TEE 自动化分割（eSie Valve）

Jeganathan 等 [X26] 在 4 例患者、36 个收缩末期帧上对比 3 名阅片者的 eSie Valve 自动分割 vs. 手工分割。对 6 个参数（瓣环面积、周长、非平面角、瓣叶长度、tent 高度、prolapse 体积等）做 Bland-Altman 与 ICC 分析： $\(\text{ICC}_{\text{intersubject}} = \frac{\sigma^2_{\text{subject}}}{\sigma^2_{\text{subject}} + \sigma^2_{\text{observer}} + \sigma^2_{\text{error}}}\)$

结果显示阅片者间无显著差异（p = 0.0083 for inter-method agreement on 6 parameters）—— AI 自动化分割显著降低观察者间变异性。

5. TAVI 规划的关键预测因子

  • 瓣环破裂（annular rupture）：与瓣环 / 瓣下钙化体积和分布密切相关。Barbanti 等 [X17] 与 Pollari 等 [X18] 建立钙化体积阈值（如 > 200 mm³）与破裂率的关系。
  • 瓣周漏（PVL）：严重突出型瓣环钙化 → 假体支架与瓣环贴合不良 → 残余分流。Qian 等 [X20] 用 3D 打印的组织模拟材料预测 PVL 风险。
  • 冠脉阻塞：冠脉口与瓣叶距离 < 特定阈值（如 < 10 mm）+ 瓣叶长度 → 高风险；3D 打印建模可显示冠脉口与假体支架的空间关系。

6. TMVR 规划：Neo-LVOT 模型

TMVR 后二尖瓣假体可能挤压左室流出道（LVOT），导致"新 LVOT"（Neo-LVOT）狭窄。预测 Neo-LVOT 面积是 TMVR 患者选择的关键。

Neo-LVOT 面积计算（基于 CT + 有限元分析）： $\(A_{\text{Neo-LVOT}} = \text{area}\left(\text{LVOT}_{\text{systolic}} \setminus V_{\text{device}}\right)\)$

即收缩末期 LVOT 区域减去 TMVR 假体占据区域。当 \(A_{\text{Neo-LVOT}} < 1.5 \,\text{cm}^2\)（或更严格 < 1.0 cm²）时，LVOT 阻塞风险显著升高。

7. 关键概念辨析

  • 瓣叶 vs. 钙化 vs. 瓣环：瓣叶是软组织（50–160 HU），瓣环是纤维环（类似瓣叶衰减），钙化是 HU > 350。AI 在前两者上困难，在钙化上容易。
  • 3D 打印 vs. 3D 分割：3D 分割是数字化的 3D 模型（屏幕查看），3D 打印是物理实体（手触摸）。3D 打印耗时但对外科规划有不可替代价值。
  • TAVI vs. TMVR vs. 微创 AVR：TAVI 是经导管主动脉瓣植入（最成熟），TMVR 是经导管二尖瓣置换（更复杂，TMVR 30 天死亡率 ~ 30%），微创 AVR 是外科小切口手术。
  • 瓣环钙化（AC）vs. 二尖瓣环钙化（MAC）：AC 影响主动脉瓣（TAVI 风险），MAC 影响二尖瓣（TMVR 风险）。
  • Pannus vs. thrombus vs. vegetation：三者 HU 范围部分重叠，单靠 CT 难以鉴别；FDG-PET 才是 PVE 的临床金标准（敏感性 80.5%，特异性 73.1%）[X5]。

关键结论

  • 心脏瓣膜的薄瓣叶 + 高速运动是 DL 自动分割的核心瓶颈；钙化因 HU 高、稳定，反而容易分割 [X1]。
  • 商业软件（Materialise 3D VRT、Mimics、3Mensio）已成为 TAVI / TMVR / 微创 AVR 规划的事实标准，DL 嵌入后处理管线 [X1][X6]。
  • Pannus（> 145 HU）vs. thrombus（< 90 HU）的 HU 阈值可作为单一中心证据使用 [X2]，但跨中心验证缺失。
  • 3D 打印是 TAVI 尺寸规划、瓣周漏封堵、先天性心脏病外科规划的关键工具 [X6][X7][X19][X20]。
  • eSie Valve（Siemens）的 ML 二尖瓣 3D TEE 分割显著降低观察者间变异性（p = 0.0083 for 6 parameters）[X26][X27][X28]。
  • TAVI 风险预测：瓣环 / 瓣下钙化体积与瓣环破裂、瓣周漏显著相关 [X17][X18][X20]。
  • TMVR 风险预测：Neo-LVOT 面积（CT 有限元模拟）是患者选择的核心—— \(A_{\text{Neo-LVOT}} < 1.5 \,\text{cm}^2\) 为高风险。
  • Tendyne 假体在 SUMMIT 试验中表现出 96% 技术成功率、0% 操作死亡率、6% 30 天死亡率，11 例严重 MAC 患者全部成功植入 [X25]。
  • FDG-PET 仍是 PVE 诊断金标准（敏感性 80.5%，特异性 73.1%），CT 仅作辅助 [X5]。
  • 瓣膜肿块的 radiomics 区分（thrombus / 肿瘤 / 赘生物）是潜在研究方向，但受限于样本量与运动伪影，目前无系统研究。

挑战和开放性问题

  • 瓣叶运动伪影：心动周期内瓣叶速度 > 200 mm/s，CT 时间分辨率（~ 75–150 ms）不足以"冻结"瓣叶。AI 仍受限于硬件瓶颈。
  • 瓣膜肿块 HU 重叠：PFE、vegetation、thrombus 的 HU 范围（90–145）显著重叠，单靠 CT 衰减无法鉴别。
  • 小样本量：瓣膜肿块罕见（年发病 < 1%），深度学习需要的大规模标注数据集难以建立。
  • 瓣环钙化体积 vs. 风险的非线性关系：高钙化体积必然高风险，但"中度钙化 + 特定位置"可能是更高风险——这需要 3D 空间建模而非单一标量。
  • 3D 打印的工程瓶颈：耗时 4–24 小时 / 例，需要专用设备与材料，无法规模化。
  • 冠脉阻塞预测精度：冠脉口高度 + 瓣叶长度 + 钙化位置的多变量预测仍存在显著假阳性 / 假阴性。
  • 跨厂商 TAVI 假体差异：Edwards SAPIEN 3、Medtronic Evolut、Abbott Portico 等不同假体的释放机制不同，AI 模型需逐个训练。
  • 瓣膜修复（mitral valve repair）vs. 置换（replacement）决策：3D TEE 自动化分割提高了测量精度，但手术决策仍依赖外科经验。
  • Neo-LVOT 预测的物理假设：有限元分析假设组织刚性，实际组织（钙化、瓣叶、瓣环）的力学行为差异巨大。
  • TMVR 30 天死亡率仍高（Guerrero 2016 ~ 30% [X21]）—— AI 规划能否降低这一数字，证据尚不充分。
  • 瓣膜影像组学的"维度灾难"：与冠脉斑块类似，瓣膜 ROI 的影像组学特征数 >> 样本数。
  • 光子计数 CT 的潜在变革：更高空间分辨率 / 时间分辨率可能从根本上解决瓣叶运动问题——这一硬件迭代是 AI 算法进步的物理基础。

个人反思与批判性分析

  • 本章的"AI 浓度"低于其他心脏应用章节：相比第 25、26、27 章，本章真正的 DL 算法相对较少，更多是商业软件、3D 打印、临床流程。AI 在瓣膜领域尚处于"嵌入现有后处理"阶段，而非"端到端 DL 革命"。读者应意识到这种成熟度差异。
  • HU 阈值规则的脆弱性：Pannus > 145 HU vs. thrombus < 90 HU 的鉴别基于单一中心回顾性研究 [X2]，且 HU 受扫描参数、对比剂浓度、采集时间窗影响极大，跨中心 / 跨厂商的稳健性未验证。
  • 3D 打印的"展示价值"vs."临床决策价值"：3D 打印是 impressive 的工程成果，但 RCT 证据显示其对手术时间、术后结局的改善有限。外科医生的"手感"和经验仍是主导因素，3D 打印是"锦上添花"而非"决定性工具"。
  • TMVR 的高死亡率提醒：Guerrero 2016 [X21] 报告 30 天全因死亡率 30%，这是非常高的数字，提示 TMVR 仍是非常早期的技术，AI 规划虽然成熟但不能掩盖该技术本身的高风险。
  • eSie Valve 论文样本量极小：Jeganathan 2017 [X26] 仅 4 例患者、36 帧，p = 0.0083 的统计显著意义需谨慎解读——这是探索性研究，临床推广前需更大规模验证。
  • 作者团队的本地化优势：本章主要作者来自 Innsbruck Medical University，该院是欧洲 TAVI / 微创 AVR 重要中心之一，临床经验深度融入文章；这是优势（实操性强）也是劣势（可能存在"institutional bias"）。
  • PVE 诊断中 PET 的不可替代性：作者明确指出 FDG-PET 是 PVE 金标准，AI 在 CT 上的辅助价值有限——这一坦诚值得肯定，避免了"AI 万能"的过度宣传。
  • 与第 25、27 章的"特征互补"：冠脉斑块、CT-FFR、瓣膜规划三者代表 CT 心脏 AI 的三个不同成熟度阶段。读者通过对比可学会判断"哪些任务适合 AI"、"哪些任务 AI 仍力不从心"。

重要参考文献

  • [X1] Baskaran L, Al'Aref SJ, Maliakal G, et al. Automatic segmentation of multiple cardiovascular structures from cardiac computed tomography angiography images using deep learning. PLoS One. 2020;15(5):e0232573.
  • [X2] Gündüz S, Özkan M, Kalçik M, et al. Sixty-four-section cardiac computed tomography in mechanical prosthetic heart valve dysfunction: thrombus or pannus. Circ Cardiovasc Imaging. 2015;8(12):e003246.
  • [X5] Mahmood M, Kendi AT, Ajmal S, et al. Meta-analysis of 18F-FDG PET/CT in the diagnosis of infective endocarditis. J Nucl Cardiol. 2019;26(3):922-35.
  • [X6] Vukicevic M, Mosadegh B, Min JK, Little SH. Cardiac 3D printing and its future directions. JACC Cardiovasc Imaging. 2017;10(2):171-84.
  • [X7] Wang DD, Qian Z, Vukicevic M, et al. 3D printing, computational modeling, and artificial intelligence for structural heart disease. JACC Cardiovasc Imaging. 2020;S1936-878X(20)30515-5.
  • [X17] Barbanti M, Yang TH, Rodès Cabau J, et al. Anatomical and procedural features associated with aortic root rupture during balloon-expandable transcatheter aortic valve replacement. Circulation. 2013;128(3):244-53.
  • [X18] Pollari F, Hitzl W, Vogt F, et al. Aortic valve calcification as a risk factor for major complications and reduced survival after transcatheter replacement. J Cardiovasc Comput Tomogr. 2020;14(4):307-13.
  • [X19] Ripley B, Kelil T, Cheezum MK, et al. 3D printing based on cardiac CT assists anatomic visualization prior to transcatheter aortic valve replacement. J Cardiovasc Comput Tomogr. 2016;10(1):28-36.
  • [X20] Qian Z, Wang K, Liu S, et al. Quantitative prediction of paravalvular leak in transcatheter aortic valve replacement based on tissue-mimicking 3D printing. JACC Cardiovasc Imaging. 2017;10(7):719-31.
  • [X21] Guerrero M, Dvir D, Himbert D, et al. Transcatheter mitral valve replacement in native mitral valve disease with severe mitral annular calcification. JACC Cardiovasc Interv. 2016;9:1361-71.
  • [X25] Sorajja P, Gössl M, Babaliaros V, et al. Novel transcatheter mitral valve prosthesis for patients with severe mitral annular calcification. J Am Coll Cardiol. 2019;74(11):1431-40.
  • [X26] Jeganathan J, Knio Z, Amador Y, et al. Artificial intelligence in mitral valve analysis. Ann Card Anaesth. 2017;20(2):129-34.
  • [X27] Ionasec R, Voigt I, Georgescu B, et al. Patient-specific modeling and quantification of the aortic and mitral valves from 4-D cardiac CT and TEE. IEEE Trans Med Imaging. 2010;9:1636-51.
  • [X28] Sasa G, Ionasec R, Vitanovski D, et al. Complete valvular heart apparatus model from 4D cardiac CT. Med Image Anal. 2012;16(5):1003-14.
  • [X29] Nguyen A, Yosinski J, Clune J. Deep neural networks are easily fooled. Proceedings of the IEEE CVPR. 2015:427-436.
  • [X30] Al'Aref S, Anchouche K, Singh G, et al. Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging. Eur Heart J. 2019;40(24):1975-86.