第32章：心脏 MR 临床指南与临床应用——人工智能的切入点（Cardiac MR Guidelines and Clinical Applications: Where Does Artificial Intelligence Fit In?）

引言：CMR 在临床指南中的地位

本章作者 Vignale、 Palmisano 与 Esposito 开篇便指出，无创心脏磁共振（cardiac magnetic resonance, CMR）凭借其多参数成像能力，已成为多种心血管疾病管理中的核心工具：覆盖诊断、风险分层、治疗监测、随访与术前规划等多个环节。这一地位反映在各大临床实践指南（clinical practice guidelines, CPGs）之中——欧洲心脏病学会（ESC）、美国心脏病学会/美国心脏协会（ACC/AHA）的相关影像与心脏病指南已将 CMR 写入其中。截至 2020 年，CMR 出现在约 60% 的 ACC/AHA 与 ESC 指南中，且其中超过 60% 的推荐属于 class I 与 class IIa 类别，这进一步印证了 CMR 在多种疾病管理中的高临床价值。作者同时指出一个值得关注的反差：尽管推荐数量众多，但仅有约 1% 的推荐具备 A 级证据支持，超过 50% 的推荐仍以专家意见（C 级证据）为基础；这一缺口一方面反映了仍有大规模随机对照试验有待开展以强化现有证据，另一方面也暴露出在部分应用场景下，扫描与后处理流程的标准化尚未到位。

进一步来看，CMR 推荐覆盖的临床场景主要集中在三个方面：诊断性检查、风险分层目的，以及针对心衰或慢性冠状动脉综合征患者的随访；目前尚无指南明确推荐 CMR 用于疾病或治疗监测。不过作者强调，越来越多的数据正在推动 CMR 的角色从单纯的"诊断与预后"工具扩展至"指导随访与管理"的工具，反映出 CMR 临床应用范围的持续扩张。

限制 CMR 更广泛应用的因素

作者在充分肯定 CMR 多场景价值的同时，也明确指出制约其更广泛应用的几项关键局限。第一，扫描时间长——单次完整 CMR 检查乃至单个序列的采集时间都可能令部分患者难以耐受，例如幽闭恐惧症患者或屏气能力受限者；这不仅带来更高的图像伪影发生率，也使得 CMR 在急性场景中的应用受到限制。第二，后处理耗时——对心肌病变进行全面的定量评估往往要求繁重的后处理，尤其是 feature tracking、定量心肌灌注或 4D flow 等更进阶的技术，这些方法所需的冗长而乏味的分割操作显著制约了它们在真实临床场景中的广泛可及性。第三，标准化与可重复性不足——尽管学界在采集、后处理与判读标准化方面已投入大量努力，但不同厂商、不同场强（如 1.5 T 与 3 T 之间 T1 映射值的差异）以及不同序列几何带来的差异仍限制了 CMR 在不同中心间的可重复性；图像质量还可能受到患者自身特征（如心律失常患者的高伪影发生率）影响。第四，多重手动或半自动分割——从 SSFP cine 影像中量化容积与功能，到对负荷 CMR 灌注序列的进阶分析，CMR 应用几乎处处依赖手动或半自动分割。

作者明确指出，人工智能（AI）有望为上述绝大多数局限提供解决方案——这正是本章接下来逐一展开的论证主线。

AI 在图像采集与重建中的应用

作者首先讨论的是 CMR 采集环节。CMR 采集时间长这一问题源于 k 空间填充速度受限于多种技术与组织生理因素；通过欠采样缩短扫描时间会违反 Nyquist 定理并导致混叠伪影。这一难题可借助压缩感知（compressed sensing, CS）重建技术加以克服——CS 利用 MR 图像在至少一个已知数学变换域中具有稀疏表示的特性，能在保持图像质量的前提下从欠采样 k 空间重建出图像。然而 CS 算法的复杂度本身成为其瓶颈：CS 基于迭代架构，对计算能力要求很高，重建时间长，尤其在动态序列上限制了其临床可用性。因此作者指出需要更快的重建方法，而深度学习（deep learning, DL）正展现出可喜的前景——一旦神经网络训练完毕，其处理过程不再依赖迭代。Qin 等人将传统迭代重建算法与卷积循环神经网络相结合，用于重建 CMR 动态 cine SSFP 采集，所得方案在精度与速度上均优于当时的主流重建方法。Schlemper 等人开发的深度级联卷积神经网络，则可承受高达 11 倍的欠采样比例，对动态序列的重建时间约为 10 秒、对 2D 图像约为 23 毫秒，从而支撑起 CMR 的实时应用。

作者接着讨论 CMR 采集中的另一个难题：定位正确的成像平面。心脏的位置与空间走向因患者而异，这对非专家技师提出了巨大挑战；而正确定位心脏平面是获取高质量检查的前提。Blansit 等人的研究表明，可以利用 DL 自动定位心脏平面定位所需的关键解剖标志，其结果与专家医师或技师的手动定位高度一致，因此具有缩短扫描规划时间、降低对高水平人员依赖的潜力。

最后，图像质量监控也是 DL 在 CMR 采集中展示价值的领域。常规 CMR 中最常见的伪影与呼吸运动及心律失常相关，会造成图像的空间或时间模糊，进而导致检查无定论或结果错误。Tarroni 等人开发的 AI 算法可对短轴 CMR 图像进行实时全自动质量控制，能够准确识别出长轴覆盖不足、层面间运动或心脏区域对比度不足的序列，进而将其从数据集中剔除或触发重扫。Küstner 等人更进一步，开发出可在已采集图像上实施回顾性运动校正的 DL 方法，能生成近乎真实的无运动图像；但作者也提醒，这种重建有可能掩盖或修改原始图像中的关键特征，从而导致漏诊或误诊，其临床应用仍有待验证。

作者对采集环节给出小结：DL 在该环节中的潜在应用涵盖了扫描时间缩短与图像质量改善等多个方面，其共同目标是提升 CMR 的采集能力、扩大适用患者群体。

CMR 在心力衰竭临床场景中的应用：AI 的切入点

心力衰竭（heart failure, HF）是 CPGs 涉及的核心临床场景之一。作者指出，在 HF 中，CMR 可同时实现对心功能与心肌结构的综合评估，因而有望揭示潜在病因。CMR 是评估双心室容积与射血分数（ejection fraction, EF）的金标准；当超声心动图结果不具诊断价值时，CMR 是首选替代，尤其是用于右心的成像。对于复杂先天性心脏病患者，CMR 还能详细呈现解剖、容积与功能，无论在术前规划还是术后随访中都至关重要，可用于评估术后残余血流动力学损伤、识别发生心律失常的结构性心脏病高危患者以及诊断可能合并的后天性心脏病。

不过，CMR 在 cine SSFP 影像上量化心腔容积与功能的局限，在于必须描绘心外膜与心内膜轮廓——这一分割过程耗时，且即便由有经验的阅片者完成，其准确性与可重复性也存在疑虑。因此，全自动分割工具一直是临床刚需。作者回顾了已有的自动化 CMR 分割研究，指出传统方法仍多为半自动，需要人工校正，尤其是心尖与基底层面、右心室以及肌小梁丰富的心肌节段。近年来，多个国际挑战赛对不同 DL 分割算法进行了头对头比较，左心室（LV）分割结果普遍高度准确（Dice 相似系数高于 0.95），右心室分割则仍欠理想；但这些结果的共同局限在于训练样本量较小且来自单一中心，因此对复杂解剖或多中心数据上的表现仍有疑虑。Tao 等人通过在不同厂商扫描仪上完成的大样本训练缓解了准确性与可推广性方面的问题：其 CNN 在 LV 上的表现可与人工分割相当，平均垂直距离约为 1 mm，与观察者内及观察者间变异相当。作者据此判断，LV 分割问题在很大程度上已被解决，但其他心腔以及复杂先心病或解剖变异情形下的分割仍有待进一步研究。

作者进而讨论 HF 场景中 CMR 的另一关键能力——组织表征。组织表征在近期因定量弛豫技术（T1、T2、T2* 映射）的出现而获得显著扩展。CMR 可识别并量化心肌受累的不同病理生理机制：STIR 序列、T2 映射与 native T1 映射可用于识别急性心肌损伤或炎症相关的心肌水肿；晚期钆增强（LGE）序列与细胞外容积分数（ECV）可量化心肌细胞坏死或心肌纤维化；T1 映射在注射造影剂后的早期缩短可用于评估炎症相关充血。然而，多数映射参数仍需进一步验证，尤其是在慢性情境下；尽管文献已为特定情境提供了应用支持，多参数组织表征的综合评估仍有助于厘清 HF 的病因——这些病因包括缺血性心肌病、炎症性心肌病、毒性心肌病、浸润性疾病、贮积病与特发性扩张型心肌病等。

HF 中绝大多数病理生理过程的共同特征是心肌纤维化，可通过 LGE 序列检测并定量。识别替代性纤维化至关重要，因为它既是多种心肌病鉴别诊断的核心要素，其负荷本身又是在多种临床情境中已确立的预后因子。然而，常规临床中 LGE 的量化要求仔细描绘 LV 边界并手动选取 LGE 区域与/或参考区域，分割过程主观且耗时，可能在不同操作者与中心间引入偏差。为突破这些局限，DL 正在被用于 LGE 量化场景。Moccia 等人开发了一种全 CNN 用于缺血性心肌病情境下的 LGE 自动量化，性能优异；但该方法的局限在于训练与验证仅针对具有明确疾病的患者，因此目前仍缺乏能够独立于潜在疾病而量化 LGE 范围的算法——一旦该算法问世，将使每例患者的瘢痕负荷自动量化成为可能。

作者接着讨论 T1、T2、T2* 映射等定量弛豫序列的引入已显著增强 CMR 的组织表征能力：相较于常规序列，这些映射技术的优势在于不仅可视化疾病过程，还可加以量化；不同于传统 T1/T2/T2* 加权图像，映射技术还能够识别并量化弥漫性心肌疾病——这在过去长期是诊断难题。心肌淀粉样变即是典型例证：T1 映射结合 ECV 量化相较常规 LGE 序列具有更高的灵敏度与特异度，并可同时实现患者的风险分层。

映射序列的物理原理在于假设采集到的信号遵循指数恢复曲线（T1 映射）或衰减曲线（T2 映射），通过在不同方式采集的多幅图像中拟合每个像素的信号来构建指数曲线。以 T1 映射为例，其过程要求采集多幅 T1 加权图像——每幅由反转恢复脉冲预备、在不同的反转时间下采集，并随后估算每个体素的 T1 时间以构建弛豫曲线。由于每幅 T1 图像在不同心动周期内采集，心率变异或呼吸运动会令它们彼此略有差异，因此必须对每幅 T1 加权图像进行细致分割并借助图像配准加以对齐，以避免伪影。

作者指出，AI 同样能在这一场景中发挥作用：自动分割可帮助简化流程、提升准确性与可再现性。Fahmy 等人开发的 CNN 综合实现了所有切片的分割、反转时间的对齐与 T1 的量化，与人工分割吻合度高，且观察者间变异与专家阅片者之间的变异相当。

作者最后展望了 MR fingerprinting（MRF）——一项允许在单一序列中采集多种组织属性的技术。与常规映射序列不同，MRF 脉冲序列可同时对多种组织属性敏感。为重建出每个体素正确的 T1 与 T2 弛豫时间，需使用字典匹配技术：从字典中选出与测得信号时间过程最匹配的信号时间过程，并将最佳匹配条目对应的 T1、T2 值赋予该体素。MRF 已在健康受试者中得到验证，初步临床应用前景良好；但字典创建与匹配过程可能拖慢图像重建，限制了其在临床上的可及性。机器学习可助力解决这些问题——基于 ML 的算法可显著加速信号字典生成，从而实现快速图像重建。

CMR 在缺血性心肌病临床场景中的应用：AI 的切入点

作者指出，CPGs 中最具代表性的应用场景是缺血性心脏病（IHD）。2019 年 ESC 关于慢性冠状动脉综合征（chronic coronary syndromes, CCSs）的指南建议，对有症状的患者使用解剖学检查（CT 血管造影，CTA）或功能性检查（负荷超声心动图、负荷 CMR、单光子发射计算机断层扫描或正电子发射断层扫描）来诊断冠状动脉疾病（CAD），具体选择依据患者的验前概率、个体特征与检查可及性。负荷 CMR 可在缺血级联的两个不同病理生理层面（相对与绝对灌注异常及室壁运动异常）进行评估；研究表明，负荷-静息 CMR 灌注成像在广泛的验前概率范围内、以侵入性血流储备分数（FFR）为参考标准时，具有最高的阴性与阳性似然比（分别为 0.13 与 7.10），用于判读有或无功能性显著意义的 CAD。

CMR 在急性冠脉综合征（ACSs）的 CPGs 中同样占据一席之地。在 ST 段抬高型心肌梗死（STEMI）情境下，2017 年 ESC 指南确立了 CMR 作为急性事件后有效的风险分层工具。凭借其独特的组织表征能力，CMR 可评估心肌梗死所引发的多种病理生理改变，包括心肌危险区范围、心肌内出血的存在与否、梗死面积以及微血管阻塞的存在与范围——后两者对长期死亡率与心衰风险具有重要影响。负荷 CMR 还可检测到梗死区域以外的残余缺血，从而支持靶向血运重建与更优的长期预后。对于疑似非 ST 段抬高型 ACS（NSTE-ACS）的患者，2020 年 ESC 指南建议，对无缺血性 ECG 改变、肌钙蛋白正常且无反复胸痛的患者，在住院期间或出院后短期内接受解剖或功能检查以排除 CAD；负荷 CMR 阴性可在短期与中期内可靠地排除功能性显著意义的 CAD。此外，在此情境下进行 CMR 还可减少侵入性冠状动脉造影的使用，并在不可忽略的患者比例中提供替代诊断。

作者进而分析当前临床实践中负荷 CMR 灌注的工作模式。该方法本质上是一种定性技术：通过比较静息与药物负荷下采集的动态灌注图像——分别在基底、中段与心尖的 LV 短轴切面——识别因功能性显著狭窄而出现的相对低灌注区域。负荷 CMR 不仅是非侵入性心肌缺血诊断最准确的影像手段之一，还具有重要预后价值：负荷 CMR 阴性预示心血管事件（包括冠状动脉血运重建）发生率低、进一步检查花费低。然而该方法存在一项主要短板——在平衡型三支病变或冠状动脉微血管功能障碍情境下，由于心肌壁灌注储备的整体受损，缺乏作为参照的正常灌注心肌，漏诊率会上升。

负荷-静息 CMR 图像可被加工用于多项半定量灌注分析，其中验证最充分的是心肌灌注储备指数（myocardial perfusion reserve index, MPRI）：定义为负荷与静息首次通过心肌灌注时间-强度曲线最大上升斜率之比除以首次通过 LV 腔时间-强度曲线最大上升斜率。MPRI 相对侵入性评估而言诊断性能良好。

更进一步，负荷 CMR 有望成为定量测量心肌灌注的工具——以毫升血液/分钟/克心肌为单位。相较半定量评估，定量负荷-静息 CMR 灌注在以侵入性评估为参考标准时具有更高的诊断准确性；并且由于定量评估基于数值阈值区分正常与病理状态，其可重复性更佳、临床应用更便利。然而，定量灌注分析同样依赖分割——需要在每幅动态采集的每个切面上勾画血池（用于提取动脉输入函数）与心肌（用于量化心肌血流量）；灌注序列的低信噪比与动态增强特性进一步对自动分割算法构成挑战。

作者指出，AI 有望帮助克服阻碍定量 CMR 灌注广泛临床应用的分割难题。Scannell 等人开发的 DL 算法可自动执行心肌灌注评估所需的全部步骤——从检测左心室腔内峰值增强并量化动脉输入函数，到 LV 壁的分割与心肌血流的自动量化。该基于 DL 的自动方案与人工分割吻合度良好，并显著缩短了处理时间。

CMR 在肥厚表型临床场景中的应用：AI 的切入点

作者讨论的另一类获得 CPGs 推荐的临床场景是肥厚型心肌病（hypertrophic cardiomyopathy, HCM）以及更广义的肥厚表型。对疑似 LV 肥厚的患者，CMR 尤其适用于超声心动图因声窗不佳或某些 LV 节段（如前侧壁、心尖、右心室）可视化不充分而无法确诊的情形。CMR 还适用于肥厚型心肌病诊断不明确、需与其他肥厚表型（如 Fabry 病或淀粉样变）进行鉴别诊断的场合。作者特别指出，即使在新型弛豫技术问世之前，CMR 就已凭借其独特能力在鉴别诊断中获得推荐；而 T1 映射与 ECV 量化的引入更进一步大幅提升了 CMR 对肥厚表型患者的诊断价值。例如，T1 映射与 ECV 可为淀粉样变提供可靠的诊断依据——其特征为 native T1 与 ECV 值的显著升高；亦可为 Fabry 病提供诊断依据——其特征为 native T1 值的特征性降低伴 LGE，并在瘢痕纤维化发生时（主要位于 LV inferolateral 壁）出现 ECV 升高。

此外，CMR 在检测疾病细微征象（如乳头肌异常或心肌隐窝）方面优于超声心动图，这些征象可能源自肌节蛋白基因突变，因而可支持早期诊断。

HCM 患者中约 65% 存在 LGE，通常出现在肥厚区域，呈斑片状中层分布，并位于室间隔上右心室前、后插入点。HCM 中 LGE 的成因与肥厚区域微血管功能障碍所致缺血以及心肌代谢障碍相关。LGE 与不良 LV 重塑相关；与其他心肌病相同，LGE 负荷意味着心衰死亡、心血管死亡与全因死亡风险升高。更进一步，LGE 负荷对预测心源性猝死具有显著预后价值，因此对其评估是有效的风险分层工具，可辅助患者筛选以接受植入式心律转复除颤器（ICD）治疗。然而，目前尚无指南对 LGE 负荷量化给出具体推荐——这与 HCM 管理的最新 CPGs 可追溯至 2014 年有关，而心血管领域的研究进展速度持续超越 CPGs 的更新节奏。

与缺血性心肌病场景相同，DL 也正在 HCM 场景中承担自动 LGE 负荷量化的任务。Fahmy 等人开发了一种 3D-CNN 用于 HCM 患者的 LGE 自动量化，相较人工分割结果准确，因此有望使这一重要参数在每例检查中得到利用。

AI 在 CMR 临床应用中的潜在未来方向：自动诊断

作者在讨论公众层面的 AI 议题时常被问及 AI 是否终将实现全自动诊断。作者指出，除检测与分割任务外，AI 在基于 CMR 影像进行自动诊断方面的作用仍非常有限。事实上，要达成诊断，需要专家医师将影像中提取的多参数特征与年龄、病史、症状等临床信息加以整合——AI 距离触及这一复杂度水平仍有相当距离。然而，在定义明确的情境中已积累了初步经验，例如对心肌疾病表型的分类。2017 年的"Automatic Cardiac Diagnosis Challenge"中，多个 ML 算法被用于在 cine SSFP 影像上识别健康人群与扩张型心肌病、肥厚型心肌病、射血分数降低的缺血性心肌病或右心室异常患者；最佳算法的分类准确率超过 92%，但因研究样本量较小仍需进一步验证。作者进一步指出，对表型的分类仅是通往诊断的第一步——不同疾病可能共享相同表型，却具有不同的病因与治疗策略。

AI 在 CMR 临床应用中的潜在未来方向：结局预测

作者认为，相较自动诊断，AI 更具前景的应用方向是基于 CMR 的风险分层与结局预测。一些试点研究已利用 ML 在特定情境下构建基于影像分析或影像与临床数据组合的风险预测算法。Dawes 等人构建了基于 ML 的工具，通过分析肺动脉高压患者右心室的 3D 收缩模式预测其生存——该算法相较常规影像、血流动力学与临床标志物提升了准确度，并更好地在高、低风险患者之间作出分层。Diller 等人在修复后法洛四联症患者情境下证明，基于 DL 的风险分层算法——可自动分割心腔并通过 feature tracking 量化心肌形变参数——能够预测患者预后。

结论

作者总结道，CMR 凭借其多参数能力，是诊断、风险分层、治疗监测、随访与术前规划等多种心血管疾病管理场景下的宝贵工具，因此已被放射与心脏领域的 CPGs 推荐用于多种临床情境，包括心衰、缺血性心肌病以及肥厚表型相关的心脏病。

AI 正处于彻底变革 CMR 检查各个环节的关口——从更快的采集与重建，到自动分割、潜在的诊断辅助，再到结局预测。这些进展将使 AI 赋能的 CMR 在 CPGs 中扮演更为核心的角色。更快的采集与重建将提升 CMR 的可及性，从而将其应用拓展到更广泛的指南覆盖临床场景；自动分割与分析将加速 CMR 的评估与报告，同时生成稳健的、可减少观察者间变异的结果。最终，将 AI 整合进 CMR 工作流将使患者管理受益。

本章个人批注

本章是全书中具有显著"指南视角"的一章——三位作者均来自意大利 San Raffaele 的同一研究中心，且 Vignale/Palmisano/Esposito 此前在 CMR tissue characterization 与缺血性心肌病影像方面已发表大量论文，因此本章的论证框架明显带有"指南撰写者"而非"算法开发者"的视角。这一立场从开篇即可看出：作者先用了相当篇幅引用 Esposito 等 2020 年发表在 Radiol Med 上的指南计量学研究，强调 CMR 在 ACC/AHA 与 ESC 指南中的覆盖率（~60%）、推荐等级（>60% 为 class I/IIa）以及证据等级分布（仅 ~1% 为 A 级，>50% 为 C 级）——这种开篇在多作者编辑卷中并不常见，因为它把一章的论证起点锚定在"指南证据基础的薄弱"这一略显尖锐的现实上。从算法视角看，这种开篇略显悲观；但从临床转化视角看，它恰恰为后续讨论 AI 如何"填补证据空白并加快工作流"提供了逻辑落点。

我对本章中几个具体数字印象很深：（i）Schlemper 等的 11 倍欠采样 + 23 ms/2D 重建时间——这是把 DL 引入 MR 重建领域最具冲击力的工程数字，意味着原本以小时计的动态序列重建可缩短到分钟级；（ii）Tao 等的多中心、多厂商 CNN 在 LV 上的平均垂直距离约 1 mm，且与观察者内/间变异相当——这一数字之所以重要，是因为它把"DL 自动分割"从"实验室玩具"推进到了"可替代人工"的临界点；（iii）MPRI 在功能评估中的阴/阳性似然比 0.13/7.10，与 Knott 等定量灌注 + AI 的工作形成方法学上的代际更替——前者是半定量、依赖人工判读，后者是定量 + 自动分析，预示着该领域方法学范式的转变。

作者对 HCM 与 LGE 部分的论述相当克制——明确承认"目前尚无 CPGs 对 LGE 负荷量化给出具体推荐"并指出这与 HCM 指南停留在 2014 年有关。这种自我节制的笔法与第 30 章那种近乎一边倒的乐观语调形成对比，背后可能是两位不同作者群体的"自我意识"差异：本章作者清楚地意识到自己身处的 CMR 临床应用领域，CPGs 与研究进展之间存在显著的"指南滞后"，而这种滞后正是 AI 切入的巨大空间。最后，作者对"自动诊断"与"风险分层"两个潜在未来方向的区分非常清晰——前者被视为"AI 距离甚远"的远景，后者被视为"已在特定情境下展现价值"的近景——这种"近景 vs 远景"的双轨划分，比单纯乐观或单纯悲观都更接近该领域的真实成熟度分布。

与上下章的衔接（一段话）

本章在全书结构中处于一个有趣的过渡位置：它一方面承接第 31 章对影像组学方法学的系统综述，将讨论焦点从"特征工程 + 经典 ML"转向"深度学习 + 影像重建 + 自动分析"，呼应了第 30 章关于 EAT 量化的具体应用；另一方面又为接下来的第 33 章（Tao 与 van der Geest 撰写的"基于 AI 的功能 CMR 评估"）埋下伏笔——本章中关于 LGE 自动分割、T1 映射的 CNN 处理、MRF 的字典匹配加速等方法学讨论，正是第 33 章将要按"image-based → model-based → data-based"三阶段系统展开的实证基础；Tao 等人关于 LV 多中心 CNN 的工作（文献 [20]）在本章中作为"CMR HF 场景的代表性 DL 分割算法"被提及，在第 33 章则成为作者本人撰写的功能 CMR AI 综述的主线案例。从全书"由成像设备到临床应用"再到"由方法学到具体病种"的递进来看，本章恰好处于"通用 AI 在 CMR 各类临床场景中的应用概览"这一枢纽位置：上承方法学综述，下启针对功能 CMR、心肌病、瓣膜病等具体应用场景的章节。