第29章：主动脉瓣疾病的 AI 辅助诊断与手术规划（Artificial Intelligence-Based Diagnosis and Procedural Planning for Aortic Valve Disease）

The Role of AI in TAVR Planning CT Scans（AI 在 TAVR 规划 CT 中的作用）

CT 是接受经导管主动脉瓣置换术（TAVR）患者的前置检查。CT 既能为瓣膜选型与尺寸规划提供充分的解剖细节，也能评估诸如瓣环破裂等并发症风险以及外周血管入路条件。通常这些扫描由训练有素的放射科医生分析，过程可能相当费时——需要在收缩期使用三维重建软件定义瓣环平面并精确测量瓣环面积与周长。该方法是瓣膜尺寸选择的首选方案。精确的瓣环尺寸测量至关重要：低估瓣环尺寸可致瓣环破裂，高估则可能导致瓣膜移位、瓣周反流以及患者-假体不匹配。除了瓣环尺寸，CT 还可提供其他信息——冠状动脉距瓣环平面的高度、Valsalva 窦的尺寸以及窦管交界——综合这些指标可估算术中瓣环破裂和冠状动脉阻塞的风险。

瓣环分割本身具有挑战性，已有研究采用基于两个模型的深度学习方法。Astudillo 等人描述了一种深度学习方法，能够自动推导瓣环周长与面积。该方法在 355 例患者上训练模型，并在 118 例患者上评估；自动预测与人工评估的面积和周长平均偏差分别为 3.3 mm² 与 1.3 mm，作者认为这处于典型观察者间变异范围内。其处理速度不到 1 秒。另一项基于机器学习的方法在 110 例患者上做了测试，比较了人工测量、半自动测量与全自动测量。其中半自动方法允许读者在接受或修改瓣环平面后再进行尺寸计算，仅在 5 例患者中需要重大校正；80% 的测量落在瓣环面积 0.5 cm² 之内，这一误差范围是否可接受存在争议。全自动方法的准确性则相对更低。因此，AI 既可以作为人工瓣环尺寸测量的交叉校验手段，也可能在未来成为"独立"的选择。

Image Quality Improvement（图像质量提升）

深度学习重建方法已被广泛用于改善各类适应症的 CT 图像质量。为 TAVR 而进行的 CT 扫描尤其容易受图像噪声影响，并且由于扫描覆盖整个心动周期，患者的辐射剂量也高于其他心脏 CT 检查。图像噪声会让瓣环分割变得格外困难，特别是当钙化负荷较高时。Ippolito 等人在一项随机试验中对 32 例主动脉瓣狭窄患者采用了低剂量（80 kV vs. 100 kV）、低对比剂用量（60 mL vs. 80 mL）的 CT 方案，并结合深度学习迭代重建。结果显示剂量-长度乘积降低了 56%，而由两位放射科医生评估的图像质量没有显著差异。

Prediction of Diagnosis and Outcome（诊断与结局的预测）

接受经导管瓣膜置换（TAVR）的患者存在院内死亡风险，这既源于手术的直接并发症，也源于该人群通常较为虚弱且合并症较多。为审慎地进行患者选择，特别是资源有限、许多患者可能无法获得治疗的情形下，需要建立并发症与死亡率的预测模型。一个名为 NIS-TAVR 的机器学习模型被开发出来，应用于超过 10,000 例 TAVR 患者（总死亡率 3.6%），其表现优于既有风险计算工具，AUC 达到 0.92。第二个机器学习模型在 451 例患者上测试，死亡预测性能（AUC 0.94–0.97）显著优于 STS 风险评分（AUC 0.64），不过作者也指出，卒中、血管并发症和需要起搏的心动过缓等手术并发症并不可预测。Abdul Ghaffar 等人采用半监督自动化机器学习方法，将患者按预估死亡率排序归入五个表型组，并证明将这种方法与 STS 风险评分联合使用可改善死亡率预测。

Conclusion（结论）

人工智能已被研究用于主动脉瓣疾病的人群筛查、分期与诊断，并被用于加速 TAVR 的规划流程。主动脉瓣狭窄在老年人群中尤为常见，伴随发达国家人口老龄化，对该病的诊治需求可能超出当前可提供服务的承载能力。在此背景下，AI 在简化患者就诊路径并潜在改善结局方面具有前景。

本章个人批注

本章是 DeCecco 卷中"瓣膜类"章节中的第二篇，与第 28 章《AI 辅助心脏瓣膜评估》形成明显的分工：第 28 章覆盖了一般意义上的瓣膜（包括 3D 打印瓣膜规划、机器学习用于二尖瓣超声分割），第 29 章则聚焦于主动脉瓣这一最高发病率的瓣膜病，并具体到 TAVR 规划 CT 这一临床场景。两条主线贯穿全章：（1）瓣环尺寸的自动分割——Astudillo 2019 的双模型深度学习方法在 118 例外部验证中与人工偏差仅 3.3 mm² 面积 / 1.3 mm 周长，且处理时间 < 1 s，这是相当令人信服的数据；但 Lou 2015 的 110 例研究中，半自动方法 80% 落在 0.5 cm² 误差内，作者本人质疑这是否可接受——这两篇文献并列时显出了对"全自动"与"半自动辅助"在精度边界上的不同立场；（2）死亡率预测——NIS-TAVR（AUC 0.92）、Gomes 2021（AUC 0.94–0.97）、Abdul Ghaffar 2020 的半监督表型分组叠加 STS，三条研究路径相互佐证 AI 在风险分层上优于传统 STS 评分。值得注意的一个限定是 Gomes 等明确指出卒中、血管并发症、起搏需求等手术并发症并不可预测——这是预测模型的常见盲区，提示风险预测目前更适合"决策期/患者选择期"而非"术中即时预警"。图像质量一节中 Ippolito 2020 的随机试验在 32 例上达成 56% 剂量降低且两名阅片者判读无显著差异，证据等级尚可但样本量偏小。

与上下章的衔接（一段话）

本章紧接第 28 章《AI 辅助心脏瓣膜评估》：上一章站在外科视角铺陈了 3D 打印规划、瓣膜分割与多种经导管介入（TAVI、TMVR、VIV 等）的整体格局；本章收窄到主动脉瓣这一最具体的病种和 TAVR 这一最普及的术式，并把焦点从"建模与规划软件"切换到"基于深度学习的瓣环自动分割 + 基于机器学习的死亡率预测"两条更量化的 AI 路径。换言之，第 28 章是瓣膜 AI 的"全景图"，本章是其中"主动脉瓣/TAVR"那个最热点的特写。下一章（第 30 章）则将离开瓣膜，切换到心脏脂肪定量这一新的器官/组织主题。