第38章：心脏超声：人工智能的角色（Cardiac Ultrasound Imaging: The Role of Artificial Intelligence）

当代机器学习观念（Contemporary Beliefs of Machine Learning）

作者把这一节命名为"当代机器学习观念"，意在指出：随着医学步入数据驱动时代，传统心血管影像学与临床医学的研究范式必须更新以容纳 ML 算法所带来的新范式。ML 能够以多种方式分析信息，从而极大扩展我们对疾病的理解（参 [3]），其自适应与可演化的能力应当被纳入当下的研究信条之中。传统研究自始至终沿"从假设到结论"的线性路径推进（参 [14]），但作者主张应当允许前期数据分析反过来修正最初的假设，从而使研究者能够更有效地抵达结论（参 [14]）。进一步而言，数据驱动的分析技术能够评估项目自身的执行条件——可行性、资源分配——这在随机化临床试验的语境下尤其有用（参 [36]）。这种多线并行的灵活性将使研究本身更具动态性。

作者接着强调前述多项研究所共同指向的一个核心观念：心血管疾病本质上是异质性的（参 [6]），而既有的分类体系并未真正涵盖这些病种的多样性维度。遗传、生物学与环境因素之间存在持续的相互作用，它们会改变疾病的具体表现（参 [37]）。在主动脉瓣狭窄或充血性心力衰竭等具体病种中进一步细分亚型，能够带来新的洞见；这些洞见可催生针对底层病理机制的创新性治疗手段（参 [10]），并最终促成满足个体患者需求的定制化方案，使精准医学得以生长（参 [38]）。

智能手机应用与小型化设备的兴起将对心脏病学产生深远影响（参 [9]）。作者结合自身的早期经验，回顾了手持式超声在不发达地区所展现出的直接益处（参 [39]）；云技术与这类设备相结合，可使采集到的信息被传回医疗提供者并指导临床决策。AI 与移动健康（mHealth）的整合将推动该方向的高速增长，使信息得以被实时分析、并在多个环节上实现自动化（图 38.3）。深度学习的进展使得这些算法能够提供快速的医学诊断（参 [40]），从而帮助 AI 弥合医疗资源富集地区与不发达地区之间的鸿沟（参 [9]）。

然而作者也提醒：尽管 ML 开启了无穷的可能性，我们必须在每一个步骤中谨慎前行。ML 本身缺乏道德罗盘（参 [41]），多种无意识的偏差可能悄然渗入算法之中，进而影响算法性能并导致结果失真。假发现（false discovery）是另一个重要方面（参 [13]）——在小数据集中尤其容易出现。因此，临床研究者必须在算法构建的每一个环节上与工程师协同工作（参 [13]，图 38.4）。医疗团队必须保持警觉，研究者在项目启动之前必须清晰把握项目目的，这将有助于任一具体项目的有效执行。

结论（Conclusion）

作者在结论中指出：ML 正引领医疗保健步入一个新的时代，并将对超声心动图产生巨大影响。它能够自动化一系列任务，并使数据驱动的发现成为可能。医师将拥有更多时间与患者互动，将其心力转向医学管理本身。随着信息技术与超声心动图两个世界日益走近，精准医学将成为一种必然的现实。

最佳实践策略（Best Practice Strategies）

本节以"最佳实践策略"为题，主体由图 38.4 承担。图 38.4 以清单（checklist）的形式呈现了建立机器学习流水线的 7 个步骤以及对应的报告条目（adapted from Sengupta et al. [11]，即"心血管影像相关机器学习评估的拟议要求"——PRIME checklist，已获出版方许可）。这 7 个步骤按顺序依次为：数据标准化（Data Standardization）、研究方案设计（Designing Study Plan）、ML 模型选择（Selecting ML Models）、模型评估（Model Evaluation）、局限性报告（Reporting Limitations）、模型评估复核（Model Assessment）、以及 ML 流水线模型可复现性清单（ML Pipeline Model Replicability Checklist）。

在"数据标准化"步骤下列出的条目包括：选择高瘦型（tall/thin）数据、去除冗余特征、处理离群点、填补缺失值、应对类别不平衡、格式化与描述数据、确保数据清洁、变量归一化、再次提示填补缺失数据与去除离群点、平衡类别、描述特征选择。"研究方案设计"步骤要求研究者：描述研究方案、说明使用 ML 模型的必要性、明确目标与目的、给出汇总统计、规划 ML 工作流、识别使用 ML 的需求、识别输入/输出变量、识别数据中的偏差、定义 ML 流水线的步骤。

"ML 模型选择"步骤建议优先选择简单模型、以复杂模型作为基准、通过调节超参数来优化模型。"模型评估"步骤要求纳入 Bland-Altman 图、报告观察者间/观察者内变异性、传达误分类风险、报告平衡类别准确率、检查并报告所有假设、采用外部验证数据集评估模型、为使用更复杂模型提供理由。"局限性报告"步骤则要求：定义分析目标、识别 ML 任务、定义使用简单/复杂模型、以复杂模型为基准、清晰定义训练/测试/验证集、提供模型参数汇总、报告类别平衡措施（针对分类任务）、报告所有假设、偏差与局限性、并在留出集或外部验证集上提供性能指标。

"模型评估复核"步骤强调：通过超参数调优来优化模型、采用交叉验证训练模型、在使用集成方法时明确定义、识别模型可解释性。"可复现性清单"则要求：考虑在公共仓库分享代码或脚本、提供数据字典、记录软件与库、优化偏差-方差权衡、对大数据集使用自助法或 k 折交叉验证、对小数据集使用留一交叉验证（LOOCV）、以开源 GPL 协议发布代码、发布代码簿、将代码与数据作为补充材料提供、使用 Docker 或 Sphinx 生成代码嵌入式的软件手册。整张图所传递的核心观念是：ML 项目的可复现性与方法学严谨性应当与模型性能本身被同等对待。

本章个人批注

本章是 Seetharam 与 Sengupta 合著的"心脏超声 AI"综述章，从篇幅上看大约 7-8 页（pp. 396-403），但绝大部分版面被 4 张图（38.1-38.4）与 42 条参考文献占据，真正属于作者本人行文的散文只有"当代机器学习观念"与"结论"两节——这两节加起来在源文里也就大约 600 词左右。"最佳实践策略"一节标题虽有，但章节主体其实就是图 38.4 本身——一张 7 列的清单式流程图，把数据标准化、研究设计、模型选择、模型评估、局限性报告、模型评估复核、可复现性七个环节中的所有具体动作以项目符号陈列在每一列之下，作者并没有在外围写散文。因此这章的"内概述"必然是短章节、紧贴源文事实的——任何扩张都会越过"只复述源文"的边界。

值得注意的源文细节：图 38.1 是一张基于拓扑数据分析（TDA）的患者相似性网络（patient similarity network），把主动脉瓣狭窄患者按平均跨瓣压差、瓣口面积、射血分数（EF）以及 E/e' 四个维度铺在一个"疾病空间"里——重度与轻度 AS 聚集在环的两端，中度 AS 散布在环的上下两臂；EF ≤ 50%（红色，异常）聚集在上臂、EF ≥ 65%（蓝色）聚集在下臂。这张图是 Sengupta 团队 2019 年 JACC Cardiovasc Imaging "Network tomography" 工作的延伸（Casa clang-Verzosa 等 [26]），所以 38 章其实是在用 AS 病例展示该团队擅长的 TDA-driven 表型分析。图 38.2 是层次聚类（Ward method），把 AS 患者的参数均值/标准差以及 E、e'、LAVi、TRV、TR 等指标纳入分层聚类。Fig 38.3 是一张时间轴，展示 1985 年到 2016 年间超声心动图自动化量化的演进（来自 Nolan et al. [42]）。图 38.4 即 Sengupta et al. [11] 的 PRIME 清单的 7 步可视化。

写作上我严格限定在源文事实点之内：第一节按"研究范式更新—疾病异质性与亚型—移动健康/手持超声—算法偏倚与假发现"四个角度复述；第二节直接复述源文结论的三个要点（自动化、医师角色回归、精准医学必然）；第三节按图 38.4 的 7 步 × 项目符号结构逐条列出（这些项目符号是图 38.4 中明确印出的文本，因此属于源文事实而非我的扩张）。我没有为凑 1000 字而引入作者未在该节中提到的具体临床案例、生物亚型或"对 X 的意义"——这些专属 ## 本章个人批注。

跨章衔接的考量：本章是 ch36（先天性心脏病 AI）→ ch37（心脏核医学 AI）→ ch38（心脏超声 AI） → ch39（心血管风险分层 AI）四连发中的第三个，正好处于"模态"主线（多模态→核医学→超声→风险分层）的"主力模态"位置。ch37 谈核医学时以图像处理（重定向、分割）开篇，ch38 谈超声时直接以"观念"开篇——这意味着 ch38 的立意不再是"技术综述"而是"立场/态度综述"，因此篇幅虽短但承担的是定调（"当代 ML 应当以何种姿态进入临床"）的功能，而非工具汇总。

与上下章的衔接（一段话）

第 38 章属于 De Cecco 这本编辑卷中"按模态"组织的主线之一，紧接第 37 章心脏核医学 AI、第 39 章心血管风险分层 AI 之间，专章讨论 AI 在心脏超声（echocardiography）中的角色。作者 Seetharam 与 Sengupta 的写法与 ch37（Piccinelli/Garcia）截然不同：ch37 走的是经典图像处理 → 诊断与预测 → 采集效率 → 基础设施（REFINE 注册）→ 可解释 AI 的"技术综述"路径，而 ch38 几乎不进入技术细节，而是以"当代观念"的姿态点出 4 件事——研究范式必须从线性走向多线、疾病异质性要求亚型化、移动医疗与手持超声将改变医疗可及性、ML 的偏倚与假发现必须由临床-工程协同监督——并以 Sengupta 自家团队提出的 PRIME 清单（[11]）作为方法学落点。这种"轻技术、重观念"的结构与上下章的工具有效性论述形成互补：上一章 ch37 用 AUC 数字、REFINE 注册规模、可解释 AI 工具来说服读者"AI 已经在核医学落地"，下一章 ch39 则会用更大规模的 EHR/CCTA/CMRI 数据集把风险预测往前推一步；本章处在中间，承担的是"在落地之前先把研究伦理与方法学要求讲清楚"的桥接作用。编辑者让两位 Sengupta 团队的成员（Seetharam 是 Sengupta 的同事/学生）写这一章，本身就是把 PRIME 清单的实践精神作为整本卷的过渡性主张。