第28章：心脏瓣膜评估中的人工智能（Artificial Intelligence-Based Evaluation of Cardiac Valves）

1.1 3D 打印在心血管领域的应用概述

3D 打印用于心血管应用 [7, 8] 是过去十年间才相对较新且发展迅速的技术。心胸外科医生的手术规划基于每位患者的病理和解剖，他们推动了这一技术向临床实践的转化，并证明了 3D 打印模型的实用性。复杂先天性心脏病（CHD）是其主要应用场景之一，术前 3D 打印能够对外科干预进行更精确、个体化的规划（即"精准医疗"）[9]。在复杂 CHD 中瓣膜畸形并不少见，因此这些模型通常也会包含罕见或不寻常瓣膜异常（如四叶主动脉瓣）[10] 的精细可视化内容。3D 打印还可以用于制作心脏装置模型，例如房间隔缺损封堵器或人工心脏瓣膜；因此术后并发症（例如装置位置不当）可以得到更"真实"的呈现，从而便于规划更棘手的术后并发症（例如经导管封堵瓣周漏）[11]（图 28.2e）。

微创主动脉瓣置换术

过去二十年间，微创主动脉瓣置换术已证明其价值，并显著降低了围手术期死亡率 [12, 13]。该术式安全性与传统胸骨切开术相当，且术后疼痛更轻、输血需求和呼吸系统并发症更少、住院时间更短 [14]。快速部署瓣膜的出现简化了植入流程，进一步推动了微创手术的普及。然而，由于视野有限和手术入路受限，绝大多数手术仍通过传统胸骨切开完成。这些困难常导致心肺转流和主动脉阻断时间延长，进而影响临床结局。术前 CT 扫描可提供有价值的解剖标志信息，降低主动脉瓣尺寸不匹配或因切口较小导致入路受限的风险。CT 血管成像图像的分析在经导管瓣膜手术中具有重要意义，可用于建立个体化（"个性化"）的手术方案。在多平面上的三维可视化与胸廓尺寸三维测量对微创入路规划是必备的。自动化软件（3Mensio™、Materialise 等）可生成三维容积渲染（VRT）图像以及三平面（矢状、冠状、轴位）的多平面重组（MPR）。3D VRT 提供"逼真"的三维可视化，MPR 则可对心脏解剖及其与纵隔结构的关系进行精确测量。这些测量有助于术前插管和心肌保护策略的规划 [15]。因此，CT 影像已成为多学科团队术前规划的重要组成部分，必须识别每位患者的个体特征并分析其个体差异。主动脉瓣相对于外侧肋骨和胸骨切迹的位置可在术前精确定义，有助于规划切口的确切位置、方向和长度，从而选择最佳的微创主动脉瓣置换术入路 [16]，例如选择最佳的肋间（从第 3 到第 6 肋间）。

经导管主动脉瓣植入（TAVI）规划

主动脉瓣和瓣环钙化的三维分割对 TAVI 手术的规划和引导非常有益。主动脉瓣和瓣环钙化的严重程度、位置和形态是术中和术后并发症的重要预测因子。严重的突出瓣环钙化会增加瓣周漏（PVL）的风险，因为假体支架与瓣环的贴合不一致。此外，严重的瓣环和瓣下钙化会增加瓣环破裂——TAVI 中另一种致命并发症——的风险 [17, 18]。3D 打印还可进一步通过模拟假体适配来辅助 TAVI 规划 [19, 20]。

瓣中瓣（valve-in-valve）介入

对失效生物瓣进行三维分割可详细观察瓣膜及周围结构的解剖。由于不同生物瓣（尤其是外部瓣叶定位者，如 LivaNova Mitroflow、Crown 和 Abbott Trifecta）的结构差异，错位、高残余压差和冠状动脉阻塞的风险更高。3D 打印可提供主动脉根部解剖以及瓣膜支柱/瓣叶与冠状动脉开口关系的重要信息。

基于 CT 影像数据的瓣膜植入模拟

针对特定解剖结构进行虚拟瓣膜植入在具有挑战性的解剖情况下极为有用，尤其是二尖瓣。该技术的主要优势在于：根据制造瓣膜的解剖特征预测其理想的解剖位置。这对于存在非对称性钙化、冠状动脉开口低或生物瓣退化的患者，以及二尖瓣介入（以避免致命并发症）至关重要。可以模拟瓣膜的精确高度以实现最佳扩张并尽量减少入血道梗阻。在瓣中瓣（VIV）介入中，该技术可实现瓣膜的瓣环上定位。然而，虚拟瓣膜植入是基于制造商提供的几何数据的软件模拟，并不总能预测瓣膜在钙化自体瓣膜或退化生物瓣中的位置和扩张程度。显然，主动脉根部不同解剖结构的组织顺应性差异很大，可能导致不同程度的扩张。对这些情况，采用不同硬度材料进行真实的 3D 打印并模拟瓣膜植入可提高预测性。

经导管二尖瓣置换（TMVR）

TMVR 对心胸外科医生构成的技术挑战大于主动脉瓣介入。与主动脉瓣不同，二尖瓣的几何形状和形态更为复杂。过去十年间，多家厂商推出了形态和机械性能各异的 TMVR 装置，目前这些新型装置正在全球若干心血管中心进行临床研究。最初的尝试使用传统的经导管主动脉瓣假体（SAPIEN 3，Edwards Lifesciences Inc.，Irvine，CA，USA），结果一般：在 MAC 患者 TMVR 全球注册研究中，Guerrero 等报告来自 32 个中心 64 例患者中 84% 的纽约心脏协会心功能分级得到改善，但 30 天全因死亡率高达近 30% [21]。二尖瓣环钙化（MAC）[22] 是规划微创二尖瓣手术和 TMVR 的主要标准之一（图 28.3）。二尖瓣环钙化的形态和大小差异很大，对钙化位置和严重程度进行三维制图有助于选择装置型号并确定技术方案。TMVR 期间，二尖瓣与左室流出道（LVOT）的毗邻使患者面临 LVOT 阻塞风险，具体取决于其个体形态。研究表明主动脉-二尖瓣角是预测 LVOT 阻塞的可靠参数 [23]。具备有限元分析和计算模拟功能的自动化软件（Materialise，比利时）可实现更精确的手术规划和患者选择。通过对 TMVR 植入后 LVOT（"Neo-LVOT"）的预测形态和大小建模，可在术前根据 CT 数据集确定患者是否适合植入二尖瓣假体。Neo-LVOT 必须提供足够空间以保证术后左室流出道通畅 [24, 25]（图 28.4）。CT 数据可对 Neo-LVOT 进行容积计算和精确预测。目前正有多款形态和材料组成各异的经导管二尖瓣装置在经导管缘对缘修复的临床研究中进行评估。其中 Tendyne™ 由生物瓣和带心尖垫的锚定绳索组成，固定于左室心尖 [25]。该装置正由一项 1:1 随机试验（SUMMIT）评估，入组严重症状性二尖瓣反流（MR）III/IV 级患者。SUMMIT 试验的初步结果令人鼓舞，技术成功率 96%，手术死亡率 0%，30 天死亡率 6%。SUMMIT 试验包含两个子组：一是与 MitraClip™ 的头对头比较研究，二是严重 MAC 子队列 [25]。严重 MAC 定义为 CT 定量钙化体积 >1000 mm³ 或 CT 可见的心肌侵犯。截至目前，11 例严重 MAC 患者中所有装置均成功植入。为规划锚定，对 CT 中的 MAC 进行三维模型分割并确定假体适配（图 28.5）。对于手术规划，还需从 CT（或 TEE）获取以下定量测量作为前提：i）二尖瓣环尺寸（两个直径——间隔-外侧径和连合间区），ii）二尖瓣环到左室心尖的距离，iii）预测的 Neo-LVOT 三维容积和主动脉-二尖瓣角（舒张末期和收缩末期）。

1.3 机器学习用于二尖瓣超声心动图分割

超声心动图对二尖瓣（MV）的分析对评估二尖瓣疾病至关重要 [26-28]。现有软件需要人工输入，导致观察者间变异性高。一种新自动化软件将人工智能（AI）应用于 MV 分析（eSie™ Valve Software；Siemens Healthcare，Mountain View，CA，USA），可对三维 TEE 数据进行自动轮廓追踪和分割。在一项探索性研究中，三位检查者分析了四例患者各三个收缩末期（ES）帧（共计 36 个 ES 帧）。研究发现六项参数（如瓣环面积、周长、非平面角）存在显著相关（p = 0.0083），而不同检查者之间无显著影响（图 28.6）。这些 AI 算法有助于减少观察者间变异性并提高准确性，因为它们可对 MV 手术规划的特定定量参数进行自动测量。建模可使用 CT 和 TEE 两种数据 [27, 28]。

1.4 结论

基于人工智能的心脏瓣膜评估是一个新兴领域。心脏瓣膜由于瓣叶纤细且运动幅度大，对基于 AI 的算法是重大挑战，超出了一般 CNN 的局限性 [29, 30]。相比之下，钙化相对易于三维制图和分割，这在其手术规划中起着关键作用。利用自动化工具从 CT 影像数据集中对瓣膜结构进行三维分割已在微创和经导管瓣膜置换术规划中获得临床应用，以确定患者的手术适宜性并避免手术相关并发症。未来基于影像数据的虚拟现实（VR）4D 实时导航和瓣膜介入模拟可进一步推动该领域发展。基于影像纹理的 CT AI 分析可能有助于提高瓣膜肿物的鉴别诊断准确性，但该领域目前受限于空间和时间分辨率，需要 CT 技术（例如光子计数 CT）的进步。

本章个人批注

本章由 Feuchtner 等撰写，主体内容是 3D 打印和自动化分割软件在瓣膜术前规划中的应用，而非"狭义 AI"（如 CNN/deep learning 的诊断分类）。这一定位与 ch27（CT-FFR 计算）和 ch26（CAD-RADS 分类）那种典型的 ML/DL 任务不同——更接近"基于影像的工程规划"。需要在"AI"和"传统自动化图像后处理"之间谨慎区分：3Mensio、Materialise 的有限元模拟、Neo-LVOT 体积计算本质上是确定性算法的工程应用，并非学习模型。eSie™ Valve Software 的 AI 自动轮廓追踪才是更接近"机器学习"的环节，文中以小样本（4 例×3 帧=36 帧）的探索性研究展示，但样本量显然不足以支撑稳健结论。引用 30 提示了 CNN 的一般性局限（深度网络易被无法识别的图像"高置信欺骗"），作为对瓣膜薄瓣叶高运动性的"挑战性"注脚——但这种笼统引用并不针对瓣膜分析本身的特异问题，更像是给整章 AI 框架兜底。最后一段关于"AI 辅助纹理分析瓣膜肿物"非常简短，提示该方向目前更多是设想而非成熟应用。综合看，本章更适合作为"瓣膜术前规划中的影像后处理与有限元模拟综述"来读，而 AI 主题相对边缘。

与上下章的衔接（一段话）

第 28 章从心脏瓣膜的术前规划角度切入人工智能应用，是本书"瓣膜+主动脉"主题的入门章节。下一章（第 29 章，由 Indraratna 和 Leipsic 撰写）将焦点切换到主动脉瓣疾病本身的 AI 诊断与手术规划，从 3D 打印/几何规划扩展到 ECG、心音图、钙化评分等更"传统"的 AI 诊断任务——两章在主题上构成"瓣膜规划总览→主动脉瓣 AI 诊断深入"的衔接。本章在全书 AI 主题中位置独特：它强调"工程化术前规划"而非"分类/检测"任务，与前后冠状动脉相关章节（ch25 斑块评估、ch26 CAD-RADS、ch27 CT-FFR）形成鲜明对比，提醒读者 AI 在心血管影像中并非只有 DL 分类一种范式。