第36章：先天性心脏病评估中的人工智能（Artificial Intelligence-Based Evaluation of Congenital Heart Disease）

引言

先天性心脏病（congenital heart disease, CHD）影响约每 100 名儿童中的 1 名，其中许多患者在一生中需要接受重大干预。影像学在 CHD 的临床决策中扮演重要角色，已成为随访的关键组成部分；主要非侵入性技术包括超声心动图、磁共振成像（magnetic resonance imaging, MRI）和计算机断层扫描（computed tomography, CT）。尽管这些模态现已常规用于临床实践，但在采集、后处理、判读与预后预测方面仍存在局限。过去几年，人工智能（artificial intelligence, AI）在医学影像领域展现了巨大潜力；机器学习（machine learning, ML）已被用于克服影像数据采集与重建相关的一些挑战，并被用于自动化图像后处理与分析，以及改进诊断与预后预测。ML 在 CHD 中具有潜在益处，包括发现新临床标志物、更精确的 CHD 表型分类、预测疾病进展以及优化治疗方案与干预。然而，ML 在 CHD 中的应用目前仍有限，部分原因是 CHD 中显著的解剖异质性以及训练数据的有限。本章回顾 ML 在 CHD 患者医学影像中的应用，并讨论未满足的临床需求、当前的转化障碍与未来方向。

图像重建中的人工智能

生物医学影像依赖于数据的准确重建以实现 CHD 的正确诊断与监测。重建算法将采集到的信号转换为图像，但这一问题往往计算密集、难以转化为临床环境。ML 在图像重建中已显示出前景，相比最先进技术具有更低的残余伪影和更快的重建速度。已有若干最近的综述文章涵盖了 AI 在图像重建中的应用，讨论技术层面以及 CHD 以外的应用。尽管 ML 在生物医学图像重建中的原理验证研究数量激增，但相对较少有研究展示了其在 CHD 人群中的有效性。

超声心动图

超声心动图是 CHD 中最常用的影像技术，因为它易于获取且使用方便；但它高度依赖操作者，且常受图像质量差的影响。ML 在改善超声成像的图像质量方面已显示巨大潜力，也推动了小型化低成本设备的开发。然而，在 CHD 中的演示仍有限。ML 已被用于增强 CHD 患者的经胸超声心动图图像。具体而言，自编码器（auto-encoder）网络被训练用于在心尖四腔心视图的超声心动图上执行去噪和去除声学阴影伪影。合成训练数据由大型回顾性 2D 超声心动图数据库通过向图像添加随机噪声或将部分扇区置零来生成。研究表明使用自编码器网络进行自动去噪和去除节段性声学伪影是可行的，得到的图像质量合理；他们还展示了在训练过程中接触过 CHD 心脏的模型相比完全在正常心脏上训练的模型表现显著更好，即使对结构正常的心脏也是如此。然而，未在前瞻性数据上进行测试，因此尚不清楚网络在实际图像上的表现如何。未来需要在真实世界样本上开展工作，并扩展到 3D 超声心动图。

磁共振成像

磁共振成像（MRI）在 CHD 评估中的应用日益增多；事实上，多项研究已表明其在心室功能与血流评估方面优于超声心动图。然而，传统图像在多次心跳中采集，且需要屏气以去除呼吸运动伪影，这对儿童来说具有挑战性，是 CMR 在儿科人群中更广泛使用的主要障碍之一。过去 20 年里，MR 成像加速一直是研究重点，包括并行成像与压缩感知；尽管这些方法可实现高加速因子，但在临床环境中重建时间可能是禁止性的，且图像质量常下降。ML MRI 重建已有很多方法。一项研究旨在实现 CHD 患者心室容积的实时量化——这使得完整短轴栈（SAX）的总扫描时间从约 280 秒（传统采集，每个 2D 切片在单独屏气中采集）减少到约 18 秒（自由呼吸期间）。他们使用径向序列，13 倍欠采样，并使用 3D（2D + 时间）残差 U-net 网络来抑制伪影。合成训练数据由大型传统屏气、心电门控笛卡尔 SAX 数据数据库创建；对于前瞻性数据，还在同一原始数据上执行了压缩感知（CS）重建（GRASP，金角径向稀疏并行 MRI）以比较图像质量和计算时间。结果显示 ML 网络的整体重建时间比 CS 快五倍；ML 重建图像具有更好的图像质量，以及相比压缩感知重建更准确的左、右心室容积测量结果。CMR 在 CHD 中的另一个重要领域是血管成像。一项研究旨在将 CHD 患者 3D 全心图像的扫描时间减少三倍，方法是通过采集低分辨率数据。ML 网络被用于从这些快速采集的低分辨率全心图像中恢复高分辨率特征。合成训练数据由大型传统高分辨率 3D 全心图像数据库创建。他们证明网络能够良好地恢复低分辨率数据中丢失的特征，这在细小血管中尤为明显。此外，血管直径测量发现低分辨率数据显著高估了若干大血管的直径；然而，超分辨率数据未发现显著差异。作者还评估了诊断准确性与置信度，证明超分辨率图像相比低分辨率图像具有更高的诊断置信度。重要的是，该技术不需要任何专用序列，因为超分辨率重建作为简单的后处理步骤应用，每个容积约 0.7 秒。另一项研究旨在降低 CHD 患者对比增强磁共振血管成像（CE-MRA）中使用的钆基对比剂剂量（降至 20%）。ML 网络被训练以从低剂量图像恢复高剂量 CE-MRA 特征。与本节中描述的其他研究类似，他们从回顾性全剂量 CE-MRA 创建了大型合成训练数据集。所得网络在合成测试数据以及大型前瞻性 CHD 人群（同时采集低剂量 MRA 和高剂量 MRA）上进行了测试。他们证明 ML 增强低剂量 MRA 图像的图像质量与参考标准高剂量 MRA 数据相当，且显著优于低剂量 MRA 数据。该方法相比低剂量 MRA 数据提高了诊断置信度，且血管直径测量与真实高剂量测量结果一致。该方法具有降低对比剂使用成本及相关风险（包括肾病患者肾源性系统性纤维化及钆沉积）的潜力。ML 在图像重建中扮演重要角色，特别是在 MRI 中。它提供了快速重建的可能性，无需高端硬件。然而，在这些技术常规用于 CHD 之前，仍需要大量验证。

先天性心脏病的 AI 后处理技术

CHD 影像的主要瓶颈之一是图像后处理；对于 MRI 和 CT 等横断面技术尤其如此。两种模态都需要在三维中对手动分割血管与心腔进行繁琐的手动操作，既耗时又受观察者内部与观察者之间变异性影响。尽管成人心脏病有多种自动分割工具，但目前在 CHD 中并不稳健。这是因为 CHD 中的分割问题比其他心脏诊断更为复杂，因为血管和心脏结构都需要分割，通常是三维的。分割是一个非常通用的图像处理问题，具有从自动驾驶汽车到光学的广泛应用；因此，这是 AI 日益重要的研究领域。在 CHD 中开发分割 AI 算法的难度进一步被显著的解剖异质性以及有限的标记训练数据所加剧。因此，CHD 数据的分割需要更复杂的方法才能成功。

磁共振成像

CHD 数据分割的挑战已在社区内得到认可，MICCAI（Medical Image Computing and Computer-Assisted Interventions）于 2016 年设立了 CHD 3D 血管 MRI 数据分割公共竞赛。他们提供了 20 个 CHD 患者 3D 全心图像，以及血池和心室心肌的手动分割（HVSMR – 先天性心脏病 3D 心血管 MRI 的全心与大血管分割）。在挑战中，10 个数据集用于训练，10 个用于测试。尽管挑战并未限制使用机器学习，但获胜者（第一名和第二名）均使用了 ML 方法。该挑战产出了若干有趣的方法，随后被用于构建稳健的 CHD 3D 血管分割。这两个顶级提交都使用 3D 卷积神经网络（CNN）作为分割算法的基础，本质上尝试在三维中分割数据。然而，必须实施若干修改以克服问题复杂性和小训练数据集：两个研究都使用数据增强来扩大训练数据集（包括旋转和图像翻转），并结合多尺度网络以获得良好结果。获胜提交 3D FractalNet 由多条具有不同感受野的路径组成，按自相似分形方案组织以捕获心肌和血管的层次特征；该算法展示了相比手动分割的高度一致，心肌 Dice 分数约 0.75，血池约 0.93。第二名提交也利用多尺度特征，但使用扩张卷积堆栈实现此属性，方法使用基于分类器（心肌、血池和背景类别）的基于块的分割；心肌 Dice 分数约 0.80，血池约 0.93。最近这些方法已通过密集连接 CNN 进行了改进——DenseVoxNet 使用密集连接的体积 CNN，更易于训练并减少过拟合；在相同 HVSMR 数据集上比 3D FractalNet 取得略优结果。三维方法不是分割横断面数据的唯一方法。循环卷积神经网络被创建以利用一系列数据：尽管经典上用于时间序列，循环网络也可以 2D 图像序列的形式用于 3D 数据（也在 HVSMR 数据集上演示）。循环网络也已与生成对抗网络（generative adversarial network, GAN）结合，使用额外的鉴别器网络（试图区分来自真实标注还是来自生成器网络的分割图像）来提高分割精度（也在 HVSMR 数据集上演示）。CNN 不是分割问题的唯一方法。在 HVSMR 数据集上演示的另一种方法是基于某些特征集（包括局部像素强度）对单个像素进行分类。在该研究中，随机森林用于多标签基于外观的全自动分割；但该方法可能对噪声敏感，因此需要预处理以去除不均匀性/噪声（此处使用全变分）；尽管如此，仍看到了出色的结果。CHD 的另一个重要领域是心室容积评估，其中 CMR 是参考标准方法——数据通常作为 2D 电影图像栈采集。完全卷积网络已被证明能合理良好地执行此任务。然而，由于难以获得大型训练数据集，该研究还使用 GAN 对小训练数据集（26 例患者）进行了增强，以人工合成 CMR 图像及其对应分割；所得 GAN 用于创建更大的配对数据集，用于训练最终的完全卷积网络执行分割任务；研究表明使用额外合成数据训练时获得更优结果。减少对大型训练数据集需求的另一种方法是使用迁移学习——已被用于增强 U-net 在 CHD 中执行 2D 相位对比（PCMR）数据分割的准确性：U-net 之前在大型动脉粥样硬化数据集上训练，然后使用迁移学习训练网络在法洛四联症（TOF）患者中分割 PCMR 数据；使用迁移学习时，分割准确性有所提高。心室分割的一个重要现实世界测试是确定通过 ML 分割获得的功能数据是否具有预后价值。Diller 等人开发了一种风险预测算法，使用 ML 心室分割对所有心脏相位的单切片进行处理。在他们的修复后法洛四联症患者队列中，中位随访时间为 10 年，23 例患者经历了事件（7 例死亡/心脏骤停中止和 16 例记录的非持续性室性心动过速）；他们能够证明基于 ML 的心室参数与患者结局显著相关。这项开创性工作代表了原理验证；然而，必须考虑一些临床和技术限制——其中，事件率较低，仅 7 例患者经历心脏骤停中止或死亡，而其余 16 例（70%）经历非持续性室性心动过速。该论文是令人鼓舞的早期演示，表明机器学习分割算法可用于提供临床有用的数据；然而，ML 分割在常规用于临床环境之前仍需要大量进一步工作。

计算机断层扫描

CHD 中 3D CT 的心脏结构分割和分类也具有挑战性，全自动方法目前非常有限。Xu 等人已展示了一种全自动分割工具，使用深度学习和形状相似性分析方法：使用深度学习网络分割四个腔室和心肌，并使用单独的深度学习网络分割血池；细化步骤将这两个分割网络的结果进一步改进边界。从这些分割结果中，提取大动脉（主动脉和肺动脉）之间、心室（左心室和右心室）之间以及心室与心房（左心室和左心房，以及右心室和右心房）之间的连接特征，最终数据用于确定所有血管的分类。该技术在公开数据集 ImageCHD 上得到了展示。类似的技术已通过使用图推理和形状约束略有改进——在这项工作中，图推理通过将一组特征投影到交互空间进行关系推理；由此，可以计算形状信息并将其作为先验知识添加到损失函数中，以提高预测准确性。

超声心动图

类似地，在超声心动图中，机器学习已被证明可用于 CHD 的分割和疾病分类。卷积神经网络已被训练用于按诊断对患者进行分类：大动脉转位心房调转术后（TGA）、先天性矫正型 TGA（ccTGA）或正常解剖。该网络使用常规经胸超声心动图的心尖四腔心或胸骨旁短轴视图进行训练；所得网络能够正确识别超过 95% 的帧。在同一研究中，独立的 U-net 被训练用于在心尖四腔心视图中分割心室，对 ccTGA、TGA 和正常心脏使用单独的网络；所得网络能够正确识别系统心室，并在分割系统右心室或左心室方面取得高性能。

AI 在先天性心脏病诊断与预后中的应用

由于介导生理过程的复杂相互作用，CHD 患者的诊断、预后和事件预测极具挑战性，常导致传统回归技术失败。然而，ML 已出现并具备从数据集中识别复杂模式并使用这些模式进行更好预测的必要工具。AI 系统在预测模型中的开发需要从临床活动（包括筛查、诊断和治疗）生成的训练数据。CHD 的监测需要频繁的影像学检查，结合 ML 有潜力实现早期疾病识别、风险预测和准确诊断；需要查询数据集以探索已知信息、执行趋势分析并预测将要发生的事情。能够解密数据并挑选可导致疾病预测的特征的探测模型将在逐步接近个性化医学中发挥关键作用。

基于 X 射线的预测模型

胸部 X 线摄影可用于评估 CHD 患者的肺血流状态；然而，胸部 X 线摄影的预测价值受限于其判读的主观和定性性质。在使用心导管检查和胸部 X 线摄影的回顾性观察研究中，深度学习模型被用于预测肺循环与体循环流量比。结果表明该模型与使用 Fick 方法计算的值显著相关，且诊断一致性显著高于专家（100 例中 64 例 vs 100 例中 49 例）。这可能允许临床医生量化胸部 X 线摄影中肺血管的定性和主观表现。

基于超声心动图的解读

在超声心动图中，AI 在判读中的主要作用是胎儿诊断。胎儿调查超声在全球范围内被推荐用于 CHD 的产前诊断；然而，其敏感性较差（低至 30%）。最近，产前超声九节段序贯分析方法已被证明可提高胎儿 CHD 诊断的准确性，但全自动方法仍属理想。一项研究使用大型回顾性超声心动图数据库开发了三个独立的 ML 模型，分别用于：(i) 执行视图分类；(ii) 区分正常心脏与复杂 CHD；以及 (iii) 执行分割以计算标准胎儿心胸测量。结果显示视图分类网络能够以高敏感性和特异性（分别为 90% 和 78%）正确识别标准视图；基于视图分类网络的结果，复合疾病分类网络也实现了高敏感性和特异性（分别为 95% 和 96%）。这些深度学习结果相比社区级结果，在基于人群的测试集上实现了敏感性和特异性的翻倍。类似的基于随机森林管线的 ML 框架已被提出，用于使用胎儿超声心动图检测和预测先天性心脏病。

基于磁共振的预测算法

心脏 MR 图像的临床结局和预后预测主要应用于修复后法洛四联症患者。法洛四联症（TOF）代表出生时最常见的紫绀型先天性心脏缺陷，这些患者具有较高的室性心律失常和心源性猝死风险。Samad 等人试图使用 ML 预测修复后 TOF 患者右心室性能的恶化——日益增加的死亡风险通常与左心室和右心室（分别为 LV 和 RV）的进行性扩张和功能障碍一致，且越来越多的证据表明功能障碍与不良结局（如死亡或持续性室性心动过速）之间存在联系。该研究同时使用基线临床变量和来自 MRI 扫描的心脏力学来预测修复后 TOF 患者的恶化。他们显示基线左心室射血分数、左心室周向应变和肺动脉反流对实现准确预测最为有用。总体而言，网络能够以平均 AUC > 0.77 预测恶化。未来需要更大规模的注册研究来确定是否可以使用更复杂的方法确定事件和时间。

基于 CT 的预测算法

使用无创基于影像的指标评估肺动脉压的替代方法日益受到关注。一项研究展示了使用机器学习分类器基于术前心脏 CT 预测分期单心室姑息手术（Glenn 分流术后）的高风险平均肺动脉压（mPAP > 15 mmHg）。基于单变量分析，七个形态学参数从 CT 图像中手动提取，用于训练随机森林模型。该模型能够预测 Glenn 分流术后 mPAP > 15 mmHg 高风险患者，平均 AUC 为 0.79，敏感性 78%，特异性 75%，准确性 76%。

结论

本章阐述了 AI 可辅助 CHD 影像的三个主要领域：图像重建、后处理和预测模型的开发。由于 MRI 和 CT 重建及后处理的耗时性质，AI 与它们特别相关。然而，AI 在超声心动图中也有重要用途，例如图像质量增强。机器学习技术也已作为高度有效的计算机算法出现，用于在具有多个变量的医学数据集中进行模式分层，促进数据驱动预测或分类模型的构建。监督和非监督 ML 都可应用于临床数据，以开发稳健的风险模型并重新定义患者类别。ML 承诺通过几乎瞬时交付更准确和更可重复的判读来革新心脏影像——但是，将承诺转化为临床交付是一项艰巨的任务，我们落后于其他领域。本章引用的所有研究都属于原理验证类别。因此，在常规临床转化之前，所有领域都需要大规模验证研究。尽管如此，AI 确实具有显著改善 CHD 影像的潜力。

本章个人批注

本章由 Steeden、Muthurangu 和 Secinaro 三位作者联合撰写，团队来自 UCL Centre for Cardiovascular Imaging 与 Bambino Gesù 儿童医院，覆盖了"工程学 + 临床儿科 + 影像科"的跨界组合，与 ch35 的"工程 + 流体力学"组合形成对比。这两章的叙事结构其实有平行性：ch35 是"重建 → 流量建模 → 灌注"三层，ch36 是"重建 → 后处理 → 预测模型"三层——AI 的角色都是逐层渗入从物理采集到临床决策的链路。值得保留的要点：(1) HVSMR 数据集（HVSMR 2016 MICCAI Challenge，20 例 3D 全心图像，10 训练 10 测试）是 CHD 分割社区的事实基准——3D FractalNet（Dice 心肌 0.75 / 血池 0.93）和扩张 CNN（Dice 心肌 0.80 / 血池 0.93）的"接近但未饱和"分数直接定义了后续工作的天花板，作者把这个数字摆出来没有夸大，是诚实的写作；(2) "GAN 合成训练数据"（Karimi-Bidhendi 等，仅 26 例患者起步，GAN 扩展训练集）是少见的、把"小样本 → 大样本"具体实现写出来的工程细节，与 ch34 中 FlowVN 等动辄数千例形成鲜明对比——CHD 数据稀缺是这一章反复出现的核心约束；(3) Samad 等的 TOF 预后预测（23 例事件 / 10 年随访 / AUC > 0.77）以及 Diller 等的同一队列（7 例死亡/骤停中止 + 16 例 NSVT）是 MRI 预测的代表性结果，作者把"70% NSVT"这个异质性坦诚写出，没有包装成"我们预测了 23 例硬终点"——这是好的科学写作；(4) Toba 等的胸部 X 线 Qp/Qs 深度学习预测（64/100 vs 专家 49/100）是一个反直觉亮点：AI 在"老技术 + 大数据 + 简单任务"上反而能反超专家，因为专家受限于视觉判读的离散性；(5) 全文反复出现的"proof of concept"自评（结论段尤其明显："All of the studies cited in this chapter fall into the category of proof of concept"）是这本书 CHD 主题的统一定调，区别于 ch34–ch35 已经在某些子任务上接近"可临床使用"的叙事。需要注意的疑点：(a) 本章把"重建、后处理、预测"作为三大主轴，但"后处理"内部又拆 MRI / CT / 超声三个模态——这种二维矩阵式组织使得有些具体技术（如 transfer learning 的 TOF 主动脉分割）只出现在 MRI 那一行，CT 那一行完全没有 transfer learning 的例子，可能是因为 CT 在 CHD 数据上比 MRI 还少；(b) 胎儿 CHD 的 Arnaout et al. 研究给出 90% / 78% 和 95% / 96% 两套数字，但章节里没有提这个数据集本身有多大（摘要里只说 "large database of retrospective echocardiograms"）——ch35 是逐项列出作者与数字的，ch36 在这两点上更粗略；(c) 章节里提到"野心未实现"的 Davies & Babu-Narayan 2020 论文（"hope but not haste"）仅作为收尾引用，没有展开——这一篇其实是英国 NHS 体系下的临床转化立场文件，对"CHD AI 落地速度"的判断比 ch36 自己的结论段更克制，与本章乐观基调形成微妙张力。整章与 ch35 的关系是"应用人群切换 + 三个主轴重组"——ch35 在成人 CAD 框架下讨论，ch36 在儿科 CHD 框架下讨论，但都遵循"AI 加速采集 → AI 自动化后处理 → AI 预测临床终点"的相同骨架。

与上下章的衔接（一段话）

承接 ch35（基于 MR 的冠脉血流 AI）的"重建加速 + AI 流量建模 + 心肌灌注自动量化 + 临床预后关联"四段式叙事，ch36 把应用对象从"成人 CAD + 冠脉树"切换到"儿科 CHD + 结构性心脏病"。ch35 的核心方法学（PINN、压缩感知、CNN 分割）都在 ch36 中以更克制的形态出现：ch36 没有把 PINN 单独列为子章节，而是把"重建加速"这一类工具（MRA 超分辨率、对比剂剂量降低、自编码器去噪）作为一个统一类别处理；ch35 的物理建模叙事（Navier-Stokes、UQ）在 ch36 中被简化为"标注数据稀缺 + 异质性 + 形态分类"等工程问题。这种"方法深度降低 + 临床异质性升高"的转换反映了 CHD 数据稀缺的客观现实：CHD 影像数据集规模通常比成人冠脉或心肌灌注小一个数量级，因此 ML 工具必须从"复杂建模"退回"小样本鲁棒性"这条路线。ch36 也补充了 ch35 没有覆盖的模态——尤其是胎儿超声（Arnaout et al.）和胸部 X 线（Toba et al.）这两个"老模态 + AI"的反向案例，提示读者 AI 价值不只在高维新模态上，低维老模态同样能从 ML 受益。下一章 ch37（心脏核医学：AI 的作用，Cardiac Nuclear Medicine: The Role of Artificial Intelligence）将转向核医学（SPECT/PET）的 AI 应用，是从"结构影像（CMR/CT/超声）"切换到"功能影像（核素灌注/代谢）"的一步——可以把 ch36 视为"AI 在结构影像 CHD 上的回顾"，ch37 则是"AI 在功能影像上的回顾"，两者在"心血管影像 AI"主题上互为补充。