跳转至

第 32 章 心脏 MR 指南与临床应用：AI 在其中的位置（Cardiac MR Guidelines and Clinical Applications: Where Does Artificial Intelligence Fit In?）

作者

  • Davide Vignale, MD —— Experimental Imaging Center, IRCCS San Raffaele Scientific Institute, Milan, Italy；School of Medicine, Vita-Salute San Raffaele University。
  • Anna Palmisano, MD, PhD —— 同单位。
  • Antonio Esposito, MD（通讯作者）—— 同单位。

本章位于 Part III 心脏应用部分，承接第 25–31 章的 CT 主题后，转向心脏磁共振（CMR）——AI 在 CMR 工作流（采集 → 重建 → 分割 → 量化 → 诊断 → 预测）各环节的位置。属于"综述 + 方法学"性质的章节，是 AI 在非 CT 心脏影像中的代表性章节。本章对"AI 在 CMR 中的真实价值"持谨慎乐观——不像前几章那样对 AI 整体能力过度宣传。

内容概述

CMR 在 60% 左右的 ACC/AHA 与 ESC 临床实践指南（CPGs）中有推荐，其中 60% 以上为 class I 或 IIa 推荐——是心血管影像的"金标准"之一。但 CMR 的临床推广受三大瓶颈限制：长采集时间、复杂后处理、跨厂商/跨场强变异性。本章按"CMR 工作流"组织：

  1. 图像采集与重建：压缩感知（CS）替代部分 k-space 采样；DL 加速（Qin 2019 [X8]、Schlemper 2018 [X9]）实现 11 倍欠采样重建（23 ms / 2D 图像）。
  2. 自动定位（prescription）：Blansit 2019 [X10] DL 自动识别心脏平面，与专家一致，缩短非专家扫描时间。
  3. 图像质量监测：Tarroni 2019 [X11] DL 实时识别低质量短轴 CMR（覆盖不全、切片间运动、低对比度），Küstner 2019 [X12] DL 回顾性运动校正。
  4. 心衰（HF）：
  5. 自动分割：Tao 2019 [X20] 多厂商多中心 CNN，LV 分割与手工误差 ~ 1 mm（与观察者间相当）；但 RV 仍不成熟。
  6. LGE 量化：Moccia 2019 [X24] 缺血性心肌病 LGE 自动化，但仅限单一疾病训练。
  7. T1/T2 mapping：Fahmy 2019 [X27] CNN 自动分割 + 配准 + T1 量化；MR 指纹（MRF）[X28][X29][X30] 多参数同时采集，ML 加速字典匹配。
  8. 缺血性心肌病（ICM）：
  9. 负荷 CMR 灌注：Scannell 2020 [X46] DL 全自动量化（动脉输入函数 + 心肌血流量），与手工高度一致。
  10. 临床价值：阴性预测值高（< 1% MACE 1 年），可替代 ICA。
  11. 肥厚表型：
  12. HCM 中 LGE 65% 阳性，与 SCD 风险相关。
  13. Fahmy 2020 [X54] 3D-CNN 自动化 LGE 量化。
  14. T1 mapping 诊断 amyloidosis（升高）/ Fabry（降低）。
  15. 自动诊断与预后预测：
  16. ACDC Challenge 2017 [X19] 多疾病分类 92% 准确率。
  17. Dawes 2017 [X55] PH 患者 RV 3D 运动 ML 预测生存。
  18. Diller 2020 [X56] 法洛四联症 DL 风险预测。
  19. 未来方向：多参数融合 + 临床信息 = 全自动诊断——目前"very far"。

核心方程与概念

1. CMR 物理基础与压缩感知

k-space 采样与 Nyquist 定理：完整 k-space 采样需满足 \(\Delta k \leq 1/\text{FOV}\)，欠采样（undersampling）会引入混叠伪影（aliasing）。

压缩感知（CS, Lustig 2007 [X6]）：利用 MR 图像在某些变换域（如小波）的稀疏性，从欠采样 k-space 重建： $\(\min_x \|\Psi x\|_1 \quad \text{s.t.} \quad \|F_u x - y\|_2 \leq \epsilon\)$

其中 \(\Psi\) 为稀疏变换，\(F_u\) 为欠采样傅里叶算子，\(y\) 为观测 k-space 数据。CS 的缺点是迭代求解慢——DL 解决此瓶颈。

2. DL 加速 CMR 重建

Schlemper 2018 深度级联 CNN [X9]：在 11 倍欠采样下： - 动态序列重建时间 ~ 10 秒 - 2D 图像重建时间 23 ms（实时）

Qin 2019 卷积循环神经网络 [X8]：在动态 CMR 电影 SSFP 上同时提升精度与速度。

3. CMR 多参数映射（mapping）

T1 mapping：通过对反转恢复（IR）序列在不同反转时间（TI）采集的图像做指数拟合： $\(S(\text{TI}) = S_0 \left(1 - 2 e^{-\text{TI}/T_1}\right)\)$

T2 mapping：类似地，对 T2 准备序列在不同 TE 采集： $\(S(\text{TE}) = S_0 e^{-\text{TE}/T_2}\)$

ECV（细胞外容积）： $\(\text{ECV} = (1 - \text{hematocrit}) \times \frac{\Delta R_1_{\text{myo}}}{\Delta R_1_{\text{blood}}}\)$

其中 \(R_1 = 1/T_1\)，native T1 用增强前值，增强后取稳态。

4. DL T1 量化（Fahmy 2019, [X27]）

CNN 联合完成：（a）所有 T1 加权切片分割 + 配准，（b）T1 量化。结果与专家手工高度一致，观察者间变异性水平相当。

5. 心脏电影分割的 Dice 系数

Dice 相似系数（DSC）： $\(\text{DSC}(A, B) = \frac{2|A \cap B|}{|A| + |B|}\)$

ACDC 2017 Challenge [X19] 报告 LV 分割 DSC > 0.95，RV 仍不成熟。

6. Tao 2019 多厂商 LV 分割 [X20]

CNN 在多厂商、多中心 CMR 上训练，LV 心外膜 / 心内膜分割与手工相比平均垂直距离约 1 mm——与人工观察者间变异性相当。"LV 分割问题已解决"。

7. 心脏负荷 CMR 灌注

心肌灌注储备指数（MPRI）： $\(\text{MPRI} = \frac{\text{stress upslope}/\text{rest upslope}_{\text{myocardium}}}{\text{stress upslope}/\text{rest upslope}_{\text{LV cavity}}}\)$

定量心肌血流量（MBF）：单位 mL/min/g 心肌组织。需对动脉输入函数（AIF）与心肌时间-强度曲线做卷积反卷积。Scannell 2020 [X46] 用 DL 全自动完成。

8. HCM 的 LGE 与 SCD 风险

  • LGE 在 65% HCM 患者中阳性 [X48]
  • LGE 负担（占心肌质量百分比）越高 → SCD / 心衰死亡 / 全因死亡风险越高
  • 但目前 LGE 负担定量主要靠人工 → Fahmy 2020 [X54] 3D-CNN 自动化

9. 关键概念辨析

  • CMR vs. CCTA：CMR 无辐射、软组织对比优、native T1/ECV 可识别弥漫性疾病；CCTA 速度快、冠脉狭窄诊断准、AI 工具成熟度高。两者互补。
  • LGE vs. T1 mapping：LGE 显示"局灶性"替代纤维化（亮区 vs. 暗参照区），T1/ECV 量化"弥漫性"间质纤维化。HCM 早期 ECV 升高而 LGE 阴性——T1 mapping 更敏感。
  • T1 mapping 1.5T vs. 3T：T1 弛豫时间与场强相关（3T 上 T1 普遍更长），跨场强比较需标准化（参考值范围）。
  • ACDC Challenge 2017 [X19]：4 类分类（正常、DCM、HCM、ICM、ARVC），最佳算法 92% 准确率——但样本量小（100 例）。
  • MR 指纹（MRF）[X28][X29][X30]：用单个序列同时采集 T1、T2 等多参数，字典匹配 + ML 加速，是 CMR 未来方向。
  • AI "very far" from automatic diagnosis：本章坦诚指出"达到 expert physician 整合多参数 + 临床信息的水平"目前是远期目标——这与第 25、27 章对 AI 能力的"乐观叙事"形成对比。
  • PH 患者 RV 运动 ML（Dawes 2017 [X55]）：3D RV 运动 + ML 预测 PH 患者生存，超越传统血流动力学和影像标志物——这是 AI 在心血管预后预测中最具说服力的证据之一。

关键结论

  • CMR 在 60% 左右的 ACC/AHA 与 ESC CPGs 中有推荐，60%+ 为 class I/IIa [X2]。
  • CMR 临床推广受三大瓶颈：长采集、复杂后处理、跨厂商/跨场强变异。
  • DL 加速 CMR 重建：Schlemper 2018 [X9] 在 11 倍欠采样下重建时间 23 ms / 2D、10 s / 动态序列。
  • Blansit 2019 [X10] DL 自动平面定位与专家一致。
  • Tarroni 2019 [X11] DL 实时监测短轴 CMR 质量；Küstner 2019 [X12] DL 回顾性运动校正。
  • Tao 2019 [X20] 多厂商多中心 CNN LV 分割误差 ~ 1 mm（与人工相当）——"LV 分割问题已解决"。
  • Moccia 2019 [X24] 缺血性心肌病 LGE 自动化；Fahmy 2019 [X27] T1 mapping 自动化。
  • MR 指纹（MRF）[X28][X29][X30] 单序列多参数采集，ML 加速字典匹配。
  • Scannell 2020 [X46] DL 全自动定量负荷 CMR 灌注（AIF + MBF），与手工一致。
  • ACDC Challenge 2017 [X19] 多疾病分类 92% 准确率。
  • Dawes 2017 [X55] PH 患者 3D RV 运动 ML 预测生存，超越传统标志。
  • Diller 2020 [X56] 法洛四联症 DL 风险预测。
  • HCM 中 LGE 65% 阳性，与 SCD 风险相关；Fahmy 2020 [X54] 3D-CNN 自动化 LGE 量化。
  • T1 mapping 诊断 amyloidosis（升高）/ Fabry（降低）是 CMR 独特能力。
  • AI "very far" from 自动诊断——需整合多参数 + 临床信息。

挑战和开放性问题

  • RV 分割仍未解决：ACDC Challenge 报告 RV 分割 dice 系数远低于 LV；HCM、DCM 病理下 RV 解剖变异大，DL 泛化差。
  • 跨场强泛化：1.5T vs. 3T 扫描仪的 T1 值差异，DL 模型通常需对每个场强独立训练。
  • 跨厂商 / 跨序列泛化：不同 CMR 厂商（Siemens、GE、Philips）的 T1 mapping 序列（ShMOLLI、MOLLI、5(3)3 等）输出值不完全相同。
  • LGE 量化通用性：Moccia 2019 仅在缺血性心肌病训练，未在 HCM、DCM、amyloidosis 上验证——"通用 LGE 量化器"目前不存在。
  • 运动校正的"幻觉"风险：Küstner 2019 [X12] 回顾性 DL 运动校正可能"创造"不存在的特征，临床使用前需严格验证。
  • ACDC 分类样本量小：100 例 4 分类挑战的 92% 准确率难以外推到真实临床场景。
  • 多模态融合的临床整合：CMR（CINE + T1/T2 + LGE + perfusion + flow）+ ECG + 临床变量的真正多模态融合推理尚未成熟。
  • MRF 字典生成的工程瓶颈：Hamilton 2020 [X30] 用 ML 加速字典生成，但 MRF 临床落地仍需 FDA 审批和软件商业化。
  • CMR 长采集的硬件限制：AI 重建（DL）无法从根本上突破物理（梯度切换率、射频功率），只能缓解。
  • 预后预测模型的"黑盒"：Dawes 2017 [X55] 的 3D RV 运动 ML 预测生存，但医生难以向患者解释"为什么"。
  • 跨 CMR 中心标准化：SCMR 2020 [X5] 推动标准化，但实际执行中各中心仍差异显著。
  • AI 工具的临床整合路径：从"单中心研究"到"多中心商业软件"需要严格监管框架。
  • AI 在 CMR 的"双刃剑"：加速采集 + 自动化分析提升可及性，但过度依赖可能让年轻医师丧失基本技能。

个人反思与批判性分析

  • 作者团队的本土化视角：Esposito 团队来自意大利 San Raffaele，是欧洲 CMR 重要中心之一。本章中"CMR 在 CPGs 中的高占比"是欧洲视角的体现——美国视角下 CCTA / 核素更受重视。
  • "LV 分割问题已解决"的早期断言：Tao 2019 [X20] 的"误差 1 mm"是理想场景下，但 HCM、DCM、ARVC 等病理下心外膜边界识别仍困难——作者团队的"已解决"是有限定条件的。
  • DL 重建的"实时性"过度宣传：Schlemper 2018 [X9] 报告 23 ms / 2D、10 s / 动态，但这是离线测量。临床实时 CMR 重建需集成到扫描仪硬件，FDA 审批和商业化路径未定。
  • "AI very far" 的诚实表述：作者在"自动诊断"一节明确说"AI is very far from reaching this level of complexity"——这与第 25、27 章的乐观叙事形成对比。本章的"诚实悲观"是值得肯定的。
  • Dawes 2017 PH 预测的样本限制：Dawes 2017 [X55] 是开创性工作，但 PH 是罕见病，训练样本受限。算法在多中心、多 PH 亚组（IPAH、PAH-CTD、PAH-CHD）的泛化未充分验证。
  • MR 指纹（MRF）的"未来时态"：MRF 临床应用受限于字典生成的工程瓶颈、FDA 审批的延迟——本章对 MRF 的描述基本是"未来方向"，临床医生不应期待短期应用。
  • ACDC Challenge 的"竞技场偏差"：ACDC 2017 [X19] 100 例 4 分类比赛的 92% 准确率，是在受控数据集上的表现；真实临床场景中 4 类疾病有更复杂的形态变异和混合表型。
  • CMR 在心血管 AI 中的"位置"：与 CT 相比，CMR 的 AI 工具更"分散"——分割、灌注、mapping、量化各自有独立模型，缺乏统一平台。这与 CCTA 平台有"AI 一站式解决方案"（冠脉、斑块、FFR、钙化）形成对比。
  • 负荷 CMR 灌注的"诊断 vs. 预后"二元论：本章清晰区分了负荷 CMR 的"诊断价值"（vs. ICA-FFR，AUC 高）和"预后价值"（阴性预测值高）。这一区分对临床决策至关重要，但常被混为一谈。
  • T1 mapping 的"弥漫性疾病"独特能力：LGE 只能看"局灶性"纤维化，T1 mapping 能识别"弥漫性"间质纤维化（amyloidosis 早期 LGE 阴性但 T1 升高）。这一区别是 CMR 相对 CT 的真正优势，但很多 AI 工具仍聚焦在 LGE 自动化。
  • 与第 25、27、31 章的协同：本章是"CMR 主题"专门章节，与 CT 系列章节形成"互补"——CT 速度快 / 辐射、AI 工具成熟，CMR 无辐射 / 多参数 / 弥漫性疾病敏感。建议读者在阅读时对比两者在 AI 工具成熟度上的差异。
  • "AI 万能"与"AI 仅辅助"的两端：本章在 CMR 主题上"两端都有"——AI 在 LV 分割、T1 量化上"已可用"，但在自动诊断、跨场强泛化上"远未成熟"。这种"该强则强、该弱则弱"的诚实表述值得学习。
  • CMR 临床推广的根本瓶颈：长采集 + 复杂后处理是核心瓶颈，AI 主要解决"后处理"问题但"采集"仍受物理限制——光子计数 CT、7T MRI 等硬件迭代可能比 AI 软件更根本。

重要参考文献

  • [X2] Esposito A, et al. The current landscape of imaging recommendations in cardiovascular clinical guidelines: toward an imaging-guided precision medicine. Radiol Med. 2020;125:1013-23.
  • [X5] Schulz-Menger J, et al. Standardized image interpretation and post-processing in cardiovascular magnetic resonance – 2020 update. J Cardiovasc Magn Reson. 2020;22:19.
  • [X6] Lustig M, Donoho D, Pauly JM. Sparse MRI: the application of compressed sensing for rapid MR imaging. Magn Reson Med. 2007;58:1182-95.
  • [X8] Qin C, et al. Convolutional recurrent neural networks for dynamic MR image reconstruction. IEEE Trans Med Imaging. 2019;38:280-90.
  • [X9] Schlemper J, et al. A deep cascade of convolutional networks for dynamic MR image reconstruction. IEEE Trans Med Imaging. 2018;37:491-503.
  • [X10] Blansit K, Retson T, Masutani E, Bahrami N, Hsiao A. Deep learning–based prescription of cardiac MRI planes. Radiol Artif Intell. 2019;1:e180069.
  • [X11] Tarroni G, et al. Learning-based quality control for cardiac MR images. IEEE Trans Med Imaging. 2019;38:1127-38.
  • [X12] Küstner T, et al. Retrospective correction of motion-affected MR images using deep learning frameworks. Magn Reson Med. 2019;82:1527-40.
  • [X19] Bernard O, et al. Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis. IEEE Trans Med Imaging. 2018;37:2514-25.
  • [X20] Tao Q, et al. Deep learning–based method for fully automatic quantification of left ventricle function from cine MR images: a multi-vendor, multicenter study. Radiology. 2019;290:81-8.
  • [X24] Moccia S, et al. Development and testing of a deep learning-based strategy for scar segmentation on CMR-LGE images. Magn Reson Mater Phys Biol Med. 2019;32:187-95.
  • [X27] Fahmy AS, et al. Automated analysis of cardiovascular magnetic resonance myocardial native T1 mapping images using fully convolutional neural networks. J Cardiovasc Magn Reson. 2019;21:7.
  • [X28] Liu Y, Hamilton J, Rajagopalan S, Seiberlich N. Cardiac magnetic resonance fingerprinting: technical overview and initial results. JACC Cardiovasc Imaging. 2018;11:1837-53.
  • [X29] Cavallo AU, et al. CMR fingerprinting for myocardial T1, T2, and ECV quantification in patients with nonischemic cardiomyopathy. JACC Cardiovasc Imaging. 2019;12:1584-5.
  • [X30] Hamilton JI, Seiberlich N. Machine learning for rapid magnetic resonance fingerprinting tissue property quantification. Proc IEEE. 2020;108:69-85.
  • [X46] Scannell CM, et al. Deep-learning-based preprocessing for quantitative myocardial perfusion MRI. J Magn Reson Imaging. 2020.
  • [X48] Zamorano JL, et al. 2014 ESC guidelines on diagnosis and management of hypertrophic cardiomyopathy. Eur Heart J. 2014.
  • [X54] Fahmy AS, et al. Three-dimensional deep convolutional neural networks for automated myocardial scar quantification in hypertrophic cardiomyopathy. Radiology. 2020;294:52-60.
  • [X55] Dawes TJW, et al. Machine learning of three-dimensional right ventricular motion enables outcome prediction in pulmonary hypertension. Radiology. 2017;283:381-90.
  • [X56] Diller GP, et al. Prediction of prognosis in patients with tetralogy of Fallot based on deep learning imaging analysis. Heart. 2020.