DELINEATE 研究AI 深度学习精准评估心脏瓣膜反流7万例数据验证多瓣膜联合诊断与风险预测一、研究背景心脏瓣膜反流——包括主动脉瓣反流AR、二尖瓣反流MR和三尖瓣反流TR——是全球最常见的心脏瓣膜疾病类型之一。据估计中度以上二尖瓣反流在65岁以上人群中的患病率超过10%且随人口老龄化持续增长。及时准确的瓣膜反流分级对制定治疗决策至关重要轻度反流通常仅需随访观察而重度反流则需要考虑外科或介入干预。然而瓣膜反流的精确分级在临床实践中面临巨大挑战。美国超声心动图学会ASE和欧洲心血管影像学会EACVI的现行指南推荐综合多项定量和半定量参数进行评估但这些参数的可重复性一直不理想。一项法国多中心研究显示不同心脏科医生评估MR严重程度的一致性仅为中等水平Coisne et al., Arch Cardiovasc Dis, 2020。Biner等人的研究也发现近端等速表面积法PISA、缩流颈宽度vena contracta和反流束面积等常用参数在不同观察者间存在显著差异JACC Cardiovasc Imaging, 2010。这种主观性差异可能导致治疗决策的延迟或不当。近年来人工智能AI在医学影像分析领域取得了显著进展。在超声心动图领域已有研究报道深度学习可自动检测重度主动脉瓣狭窄Holste et al., Eur Heart J, 2023以及通过胸片检测左心室结构异常Bhave et al., Eur Heart J, 2024。但构建一个能够同时评估三种主要瓣膜反流、且能预测疾病进展的综合AI系统一直是该领域尚未攻克的难题。2025年7月哥伦比亚大学欧文医学中心与梅奥诊所联合团队在《European Heart Journal》欧洲心脏杂志IF39.3发表了DELINEATE-Regurgitation研究开发并验证了首个可同时评估主动脉瓣、二尖瓣和三尖瓣反流严重程度并能预测二尖瓣反流进展风险的AI系统。二、研究创新点DELINEATE研究的核心创新点体现在以下几个方面1. 首个三瓣膜联合评估AI系统。既往AI超声心动图研究多聚焦于单一瓣膜或单一疾病DELINEATE系统首次实现了对主动脉瓣、二尖瓣和三尖瓣反流的同时精准分级覆盖了临床最常见的三种瓣膜反流类型。2. 多视角融合策略Multiview Approach。研究创新性地比较了单视角single-view与多视角multiview两种视频级分类整合策略证实了整合多个彩色多普勒切面视频可显著提升模型与心脏科医生判读的一致性为超声AI的模型设计提供了方法学指导。3. 疾病进展风险预测。除诊断分级外研究还开发了独立的DELINEATE-MR-Progression模型能基于彩色多普勒视频预测轻度至中度MR患者的疾病进展风险HR4.1实现了从诊断到预后的功能跨越这在既往瓣膜AI研究中未见报道。4. 超大规模真实世界验证。研究纳入了71,660例经胸超声心动图TTE检查中的1,203,980段彩色多普勒视频来自两个独立医疗中心内部开发/测试集 外部验证集数据规模在心脏超声AI领域处于领先水平。三、技术原理DELINEATE系统的技术架构分为两个核心模块模块一DELINEATE-Regurgitation反流分级系统该系统基于深度学习卷积神经网络CNN以彩色多普勒视频为输入对AR、MR和TR的严重程度进行四分类无/轻度、轻中度、中重度、重度。技术流程如下视频级特征提取。对每段彩色多普勒视频使用3D卷积神经网络提取时空特征捕捉反流束的动态变化模式。与静态图像分析相比视频分析能更准确地还原反流束的时空演变过程避免单帧图像采样偏差。多视角融合策略。研究对比了两种整合策略单视角方法仅使用单一最佳切面的视频进行预测多视角方法则整合同一研究中所有相关彩色多普勒视频的预测结果。技术实现上多视角策略通过对各视频的预测概率进行加权平均最终输出研究级别的反流分级结果。心脏科医生标注作为金标准。模型的训练标签来自心脏科医生依据ASE/EACVI指南进行的综合评估而非单一参数阈值这使得AI模型学习的是一种临床综合判断模式更贴近真实临床实践。模块二DELINEATE-MR-ProgressionMR进展预测系统该模块的设计目标是预测基线为轻度、轻中度或中度MR的患者在未来进展为重度MR的风险。技术要点包括从基线彩色多普勒视频中提取反流束的形态学、血流动力学和时序特征构建高维特征向量。使用Cox比例风险模型进行生存分析将AI评分作为连续变量同时校正年龄、性别、左心室功能、左心房大小等已知临床危险因素。通过Kaplan-Meier曲线按AI评分三分位数tertiles进行风险分层评估不同风险组患者的无进展生存率差异。四、实验结果DELINEATE研究在内部和外部测试集上均取得了令人瞩目的结果反流分级准确性| 瓣膜类型 | 内部测试集加权Kappa | 外部测试集加权Kappa ||:---:|:---:|:---:|| 主动脉瓣反流AR | 0.81 | 0.76 || 二尖瓣反流MR | 0.76 | 0.72 || 三尖瓣反流TR | 0.73 | 0.64 |加权Kappa值在0.61-0.80之间被认为具有高度一致性substantial agreementAI系统在所有三个瓣膜的反流分级中均达到了与心脏科医生高度一致的水平。值得注意的是多视角融合策略在所有评估中均优于单视角方法验证了整合多个切面信息这一设计理念的正确性。MR进展预测在MR进展预测分析中DELINEATE-MR-Progression模型展现了出色的预后分层能力- AI评分最高三分位组与最低三分位组相比进展至重度MR的风险比为4.195% CI: 2.5-6.6。- 在校正了已知与MR进展相关的临床因素包括年龄、左心室舒张末期内径、左心房容积指数、左心室射血分数等后AI评分仍然保持独立预测价值。- 外部验证集同样证实了AI评分的风险分层能力体现了模型的泛化性能。多视角优于单视角研究对比了单视角和多视角策略的性能差异。以MR为例多视角方法在内部测试集中的加权Kappa为0.76而单视角方法仅为0.68-0.71取决于所选切面差异具有统计学意义。这一发现强调了在超声心动图AI中充分利用多切面信息的必要性。五、技术优势与现有方法相比DELINEATE系统具有以下突出优势1. 接近心脏科专家水平的诊断准确性。AR评估的加权Kappa达0.81表明AI系统在主动脉瓣反流分级上已非常接近心脏科专家的水平。MR0.76和TR0.73也达到了高度一致性水平。2. 全自动化、高效率。系统可直接从彩色多普勒视频中自动提取特征并输出分级结果无需人工测量PISA半径、缩流颈宽度或反流束面积等耗时参数有望大幅提升超声心动图工作流程效率。3. 预后预测能力超越传统危险因素。DELINEATE-MR-Progression模型在纠正已知临床危险因素后仍保持独立预测价值HR4.1说明AI从视频中提取的信息维度超越了传统半定量参数能捕捉到人眼难以识别的微妙影像特征。4. 多中心验证保障泛化能力。两个独立医疗中心、不同超声设备、不同操作者采集的数据均验证了模型的稳健性为临床推广提供了可靠证据。5. 统一的临床决策支持框架。一个系统同时覆盖三种常见瓣膜反流的诊断和MR的预后评估为临床提供了一站式的AI辅助决策工具。六、应用前景DELINEATE系统的临床转化潜力体现在多个维度基层医疗赋能。在缺乏经验丰富心脏科医生的基层医疗机构和资源有限地区DELINEATE系统可作为AI超声助手提供接近专家水平的瓣膜反流分级帮助基层医生做出更准确的分诊和转诊决策。超声工作流程优化。对于高负荷的三级医院超声科AI系统可自动预筛选和分级标记出需要心脏科医生重点关注的重度反流病例优化工作优先级排序缩短报告周转时间。纵向随访与疾病监测。DELINEATE-MR-Progression模型可预测哪些轻中度MR患者进展风险更高有助于制定个体化的随访频率和干预时机实现从被动等待到主动管理的转变。临床试验患者筛选。在瓣膜介入治疗如经导管二尖瓣修复术MitraClip、经导管主动脉瓣置换术TAVR等的临床试验中AI系统可辅助筛选符合条件的患者提高入组效率和数据一致性。远程医疗与移动健康。随着便携式超声设备的普及DELINEATE系统未来可集成到移动超声平台中实现院外场景下的瓣膜疾病即时评估拓展心血管疾病筛查的覆盖范围。七、研究局限性与未来方向尽管DELINEATE研究取得了令人鼓舞的结果仍需客观看待其局限性1. 回顾性研究设计。研究为回顾性多中心研究AI系统在真实世界前瞻性工作流程中的表现尚未得到验证。前瞻性随机对照试验是评估AI系统临床效益的金标准。2. 二维彩色多普勒的固有局限。系统仅基于二维彩色多普勒视频进行分析对于偏心性反流束等复杂情况可能导致评估偏差。三维超声心动图可提供更全面的反流束评估但三维数据的AI分析面临更大的计算挑战。3. 外部验证集与开发集存在一定差异。外部测试集中TR的加权Kappa0.64低于内部测试集0.73提示模型在不同人群和设备条件下可能出现性能衰减需要更广泛的多个中心验证。4. 缺乏与临床结局的直接关联。虽然研究证明了AI评分能预测MR进展但未直接评估AI辅助决策对患者死亡率、住院率或手术时机等硬终点的影响。5. 金标准的主观性。训练标签来自心脏科医生的综合判断而心脏科医生之间本身存在评估差异这为模型的性能上限设定了理论上限。未来方向研究团队可能计划开展前瞻性临床试验评估DELINEATE系统在真实临床场景中对诊断准确性、工作效率和患者结局的影响。此外将三维超声心动图数据纳入模型训练、探索多模态融合结合心电图、临床数据和生物标志物以及开发可解释性AI技术以增强临床信任都是值得期待的发展方向。八、结论DELINEATE-Regurgitation研究是心脏瓣膜反流AI评估领域的一个重要里程碑。研究基于71,660例超声心动图检查中的120万余段彩色多普勒视频开发了首个可同时评估主动脉瓣、二尖瓣和三尖瓣反流严重程度的深度学习系统在内部和外部验证中均达到了与心脏科医生高度一致的分级水平加权Kappa 0.64-0.81。更为重要的是DELINEATE-MR-Progression模型能够预测MR患者的疾病进展风险HR4.1实现了从诊断到预后的功能拓展。这一研究不仅展示了AI在心脏超声影像分析中的巨大潜力也为瓣膜疾病的精准诊疗提供了新的工具范式。随着前瞻性验证和多中心临床研究的推进DELINEATE系统有望成为心血管影像AI辅助决策的重要组成部分最终惠及广大瓣膜疾病患者。参考文献Long A, Finer J, Hartman H, et al. Deep learning for echocardiographic assessment and risk stratification of aortic, mitral, and tricuspid regurgitation: the DELINEATE-regurgitation study.European Heart Journal. 2025;46(28):2780-2791. doi:10.1093/eurheartj/ehaf248. PMID: 40156921.Holste G, Oikonomou EK, Mortazavi BJ, et al. Severe aortic stenosis detection by deep learning applied to echocardiography.European Heart Journal. 2023;44(43):4592-4604. doi:10.1093/eurheartj/ehad456. PMID: 37611002.Bhave S, Rodriguez V, Poterucha T, et al. Deep learning to detect left ventricular structural abnormalities in chest X-rays.European Heart Journal. 2024;45(22):2002-2012. doi:10.1093/eurheartj/ehad782. PMID: 38503537.Coisne A, Aghezzaf S, Edmé JL, et al. Reproducibility of reading echocardiographic parameters to assess severity of mitral regurgitation. Insights from a French multicentre study.Archives of Cardiovascular Diseases. 2020;113:599-606. doi:10.1016/j.acvd.2020.02.004. PMID: 32994143.Biner S, Rafique A, Rafii F, et al. Reproducibility of proximal isovelocity surface area, vena contracta, and regurgitant jet area for assessment of mitral regurgitation severity.JACC Cardiovascular Imaging. 2010;3:235-243. doi:10.1016/j.jcmg.2009.09.029. PMID: 20223419.Vahanian A, Beyersdorf F, Praz F, et al. 2021 ESC/EACTS guidelines for the management of valvular heart disease.European Heart Journal. 2022;43:561-632. doi:10.1093/eurheartj/ehab395.Zoghbi WA, Adams D, Bonow RO, et al. Recommendations for noninvasive evaluation of native valvular regurgitation.Journal of the American Society of Echocardiography. 2017;30:303-371. doi:10.1016/j.echo.2017.01.007.