未来AI影像筛查(CMR)是否会取代专业医生？这项研究这么说

研究背景

心血管疾病是全球头号杀手，每年约造成1790万人死亡，占全球总死亡人数的32%。其中，超过75%的心血管病死亡发生在中低收入国家。尽管有多种方法可以诊断心血管疾病，但心脏磁共振成像(CMR)被认为是评估心脏形态、功能、心肌灌注和组织特征的综合检查模式，是评估心脏功能和诊断心血管疾病的金标准。然而，CMR解读的时间成本高、需要长期培训获得专业解读经验，加之合格的CMR解读专家短缺，这些因素严重阻碍了CMR在临床上的广泛应用。因此，自动化CMR解读用于快速筛查和诊断心血管疾病具有重大的临床应用前景。北京协和医院赵世华教授团队、斯坦福大学Yan-Ran（Joyce） Wang及中国科学院深圳先进技术研究院Zhao Kanka等开发并验证了基于机器深度学习的磁共振阅片模型。

研究方法

为了解决这一挑战，研究团队开发了一种新颖的基于视频序列的人工智能模型，用于自动化CMR的异常筛查和疾病诊断。该模型由两个串联的人工智能模块组成，模拟了临床工作流程：

1)基于心动周期序列的无创性异常筛查模型；

(2)结合心动周期和延迟增强序列的诊断模型，能够对11种常见心血管疾病进行分类，涵盖了约90%的CMR检查适应症。

研究人员在包含9719例受试者（8066例心血管病患者，1653例正常对照）的大型代表性CMR数据集上训练和验证了该人工智能模型。数据来源于国内8家医疗中心，囊括3家主要MRI设备厂商。数据标注工作由经验丰富的临床医生完成。为确保模型泛化能力，研究团队采用了严格的交叉验证策略，并在内部和外部数据集上全面评估了模型性能。

研究结果

在11种疾病的分类任务上，该人工智能诊断模型在内部和外部测试集上均取得了0.991的优异平均曲线下面积(AUC)。尤其值得一提的是，对于高发病种如肥厚型心肌病(AUC 0.998)、扩张型心肌病(AUC 0.988)和冠心病(AUC 0.991)，模型的诊断性能十分出色。在诊断肺动脉高压这一任务上，人工智能模型(AUC 0.998)甚至超越了有经验的临床医生，成功识别出医生难以发现的CMR特征。

对于异常筛查任务，基于心动周期影像序列的人工智能模型也展现出卓越的性能，内外部测试集的AUC分别高达0.986和0.990。研究人员发现，单一心腔切面（如心尖四腔室切面或心脏短轴切面）的心动周期序列就能非常可靠地检测出异常病例，这一发现为未来简化CMR扫描流程、提高患者通过量、降低成本奠定了基础。

与临床医生的表现相比，研究人员发现人工智能模型在准确率和诊断效率方面具有明显优势。该模型的诊断准确率与拥有10年以上CMR解读经验的医生水平相当，但解读速度快600多倍。此外，人工智能模型在诊断肺动脉高压方面的表现更胜医生。这一结果显示，人工智能有望从CMR中挖掘出人眼难以识别的重要特征。

研究结论和前景

这项开创性研究首次证明，基于视频序列的深度学习模型能够从心脏磁共振影像中高效准确地筛查异常并诊断各类心血管疾病。如果此技术在临床前景进一步得到验证，将大大提高CMR检查的解读效率和临床可及性，从而促进心血管疾病的大规模筛查和及时诊断，对提升人民健康水平具有深远意义。

未来AI影像筛查是否会取代专业医生？

根据这项研究结果，人工智能在CMR影像识别方面虽然展现出优异的性能，但短期内完全取代专业医生还是不太可能的。未来人工智能和专业医生更可能是相辅相成、互补共赢的关系。

AI优势在于高效、客观、批量处理

训练有素的AI大模型能够在极短时间内(1.94分钟内完成500例病例的解读)对CMR影像进行高精度的异常检测和疾病诊断，其准确率堪比拥有10年以上经验的专业医生。而且由于人工智能模型不会产生主观判断的偏差，因此更具备客观性。这些优势使人工智能非常适合承担大规模CMR影像筛查和初步解读的工作。

专业医生的优势在于经验丰富、判断力强

尽管表现优异，但这项研究也发现在部分疾病分类上(如LVNC、HHD等)，AI大模型的准确率仍略低于有经验的临床医生。这说明人工智能目前还难以完全取代专业医生的临床判断力。特别是对于一些临床表现混杂、病情复杂的个案，仍需要医生的综合分析和判断。

研究者说

准确的说，AI必将成为CMR影像识别的重要助力，但要真正落地临床实践并获得医生的信任和认同，还需要长期实践的检验，以及在系统可解释性、故障处理等方面的进一步完善和提升。

https://www.nature.com/articles/s41591-024-02971-2

转载请标明“心路荟萃”

心路荟萃

本公众号报道国内外心血管领域的最新学术进展、行业资讯。欢迎关注、投稿、分享和转载，喜欢本文请“点赞+在看”支持一下，让心血管知识更多传播出去！