人工智能辅助超声心动图在部分心脏瓣膜病中的应用进展

人工智能辅助超声心动图在部分心脏瓣膜病中的应用进展【摘要】随着我国人口老龄化时代的到来，心脏瓣膜病（VHD）已经成为影响人们身心健康的常见心血管疾病之一，因此，对VHD的早期诊断和准确分级对改善患者的预后至关重要。超声心动图是诊断VHD最为常用的成像手段，但其结果的一致性和可重复性仍然存在一定的局限性。人工智能（AI）技术的出现有望解决这一难题。笔者系统综述传统机器学习和深度学习两类核心模型在VHD中的应用进展，以提高临床医生对AI技术在VHD诊疗中应用的认识。【关键词】超声心动描记术；心脏瓣膜病；人工智能心脏瓣膜病（valvularheartdisease，VHD）可分为原发性和继发性两类。原发性VHD由瓣膜自身病变引起，包括退行性改变、感染性疾病以及先天畸形等，均可引起一定程度的瓣膜狭窄或反流等。继发性VHD是指心脏瓣膜结构本身无病变，常因心腔扩大、心腔压力改变、房室或瓣环周围组织病变等导致的瓣膜功能异常，常见为血流动力学改变引发的反流或狭窄［1-2］。随着全球人口老龄化，VHD愈发常见［3］。研究数据表明，65～74岁住院患者的总患病率为5%～10%，而75岁及以上患者的总患病率为10%～20%［1］。VHD在老年人群中进展迅速，诊断和治疗时间窗短，因此，积极主动筛查和治疗对老年人群的管理至关重要［4］。超声心动图是心血管疾病常用的筛查手段，不仅能够测量心脏的结构和功能，还能评估疾病的严重程度［5］。然而，超声心动图存在操作者依赖性，容易受操作者经验、患者的图像质量等因素的影响。这使得超声心动图检查对VHD进行准确的病因判断、严重程度分级和早期识别仍存在一定的困难［6-7］。近年来，人工智能（artificialintelligence，AI）在医学影像辅助诊断方面显示出良好的应用前景。其通过优化图像采集、分割、特征提取及诊断过程，可作为临床决策支持系统的重要组成部分［8］。AI在VHD病变的严重程度判断、危险分层等方面的应用也日益广泛［5，9］。本文将详细综述AI在部分VHD诊疗过程中的最新研究进展。一、AI的基础原理AI是一种建立在算力、算法和数据基础上的信息处理技术［10］。机器学习（machinelearning，ML）是AI领域的一部分，具备处理大规模数据集的能力，以及分析协变量与临床结局之间复杂非线性关系的能力［11］。经典ML模型（如线性回归、随机森林、决策树）复杂度较低，因而通常被认为更具可解释性。深度学习（deeplearning，DL）是ML的一个关键子领域，涉及训练多层神经网络对未分类的数据执行分类或回归任务。DL无需像传统ML方法那样进行大量人工特征标注，能够自动高效地学习数据中的突出特征［12］。深度神经网络、卷积神经网络（convolutionalneuralnetwork，CNN）、循环神经网络和生成对抗网络是常见的DL模型，但这些模型无法向用户阐明其推理过程，即存在着“黑箱”，这种透明度的缺失可能阻碍了其在临床决策中的应用［8］。近年来，自监督学习（selfsupervisedlearning，SSL）是DL领域重要的技术突破之一。为进一步提升模型的泛化能力并降低对标注数据的依赖，SSL策略已被广泛应用于超声心动图的视频与图像编码器预训练。Zhang等［13］采用掩码自动编码方法，利用大规模无标注的超声心动图视频对视频编码器进行预训练，这种先进的自监督视频学习技术，大幅降低对标注医学数据的依赖。与传统基于CNN的监督学习方法不同，Diao等［14］采用基于Transformer的自监督预训练与自蒸馏技术相结合的方法，充分利用了Transformer架构的自注意力机制。Transformer架构能帮助扩展静态CNN，实现心脏功能的自动化评估、图像分类及运动分析，并支持对视频数据集进行可扩展的解读［13，15］。除了单纯Transformer架构，还有CNN+Transformer的混合架构。如Ahmadi等［16］采用的时空Transformer框架，以及Gan等［17］提出的RSMAS-Net模型，都是Transformer在VHD中的新近应用。以往的研究多集中在单任务模型，多任务学习方法的应用也是AI在VHD领域研究的一项重要突破。Holste等［5］设计了一种可一次性完成39项心脏超声报告任务的多任务DL模型，无需针对不同视图和任务分别开发独立模型，而是通过统一的视图无关编码器高效地实现跨视图计算共享，实现任务特定建模的并行化。Long等［18］提出了覆盖主动脉瓣反流（aorticregurgitation，AR）、二尖瓣反流（mitralregurgitation，MR）、三尖瓣反流（tricuspidregurgitation，TR）三大瓣膜反流的端到端DL系统，采用多个视频进行反流程度评估和预测，性能明显优于单视图系统。Meng等［19］提出了一种双分支框架，可泛化至多种任务场景，能够同时进行准确的分割和临床功能评估。二、AI在超声心动图中的应用流程AI模型在超声心动图中的应用流程主要为数据预处理、切面识别、特征提取、模型训练与验证、可解释性分析等。其中，数据预处理包括图像标准化、帧选择、归一化、掩码策略、质量评估与增强、格式转换、数据集构建等［20-22］。通过对数据进行标准化处理，能够消除图像采集过程中的固有差异。Brown等［20］已将ResNet-50CNN用于超声心动图图像切面自动检测和抽取，又运用3D-CNN实现图像的重新采样和批量归一化。掩码策略有效降低了原始输入数据的时空冗余性，提升了重建任务的性能［13］。由于超声心动图的图像质量在很大程度上取决于超声医师的操作技能，AI模型的应用不仅能进行图像质量自动评估，而且能够提升图像质量。切面识别是全自动超声心动图分析流程中重要的步骤［21］。AI能够自动识别超声探头所采集的心脏标准切面，如心尖四腔心切面（apical4-chamberview，A4C）、心尖二腔心切面（apical2-chamberview，A2C）、胸骨旁长轴切面（parasternallong-axisview，PLAX）等。基于大规模真实数据集训练的DL模型用于切面识别的准确率高且性能稳定，通过支持自动标注、质量控制及采集优化，有效提升了工作流程效率［15，20］。特征提取分为传统手工特征标注和DL自动特征学习两大类。传统的ML方法依赖于预定义的特征提取，DL则能够直接从原始影像数据中实现自动化的特征学习［15］。在超声心动图中，特征提取可涉及分割掩码［19］、时空特征［13，20］、血流动力学参数［19-20］等。对AI模型进行训练与验证时，首先选择模型训练范式，如监督、半监督、自监督或弱监督［19］；随后进行模型损失函数设计［19］和数据交叉验证［20-21］；再用准确率、平均曲线下面积（areaunderthecurve，AUC）等指标评估模型性能［13，19-20］；最后以全新数据集对模型效果进行比较和检验［21-22］。可解释性分析相当于剖开模型的“黑箱”弄清模型决策依据，从而增强临床医生信任，更好地实现AI的临床转化。在心脏成像中，主要的可解释性方法有显著性图［13］、Grad-CAM、SHAP［8］、注意力机制可视化［23］、可微分临床公式［19］等。三、AI在VHD中的应用AI在VHD诊疗中的应用主要包括疾病的早期筛查、图像分割、严重程度分级、风险预测等［24］。AI技术的应用弥补了VHD传统诊疗中存在的不足，也有助于为患者提供更高效、精准和个体化的诊疗。1.AI在MR诊疗中的应用在临床工作中，判断MR程度主要采用缩流颈宽度以及利用近端等速表面积（proximalisovelocitysurfacearea，PISA）法测量有效反流口面积（effectiveregurgitantorificearea，EROA）、反流容积（regurgitantvolume，RVol）和反流分数等参数。然而，PISA法的操作相对复杂，耗时久，且具有操作者依赖。而且，随着人口老龄化时代的到来，MR患者数量逐渐增加，导致人工评估方法难以满足庞大患者群的筛查需求［25］。基于层次聚类与二元决策树的模型在MR的表型识别、严重程度分级与预后预测中具有重要的临床应用价值，能够对原发性二尖瓣反流（primarymitralregurgitation，PMR）进行有效识别和分型。与此同时，模型可筛选出最可能从二尖瓣手术中获益的高危患者，并能够确定PMR中需要外科手术的最佳时机，并对不良临床结局进行预测［26］。基于Catboost算法的全自动多参数ML模型，能够从多个心脏周期和不同切面获得左心室大小和血流动力学指标，进行切面筛选、参数测量和严重程度的分级。模型自动测量耗时约80s，能够对MR严重程度进行准确高效的分级，准确率为0.80；对显著性（中度或重度）与非显著性MR的区分准确率达0.97，敏感度为0.96，特异度为0.98。此外，该模型还可以预测1年的死亡率，有助于及时为患者提供针对性的治疗方案［27］。另有基于电子健康记录的XGBoost树状集成模型，通过分析人口统计学、经胸超声心动图（transthoracicechocardiography，TTE）参数、实验室检查和临床诊断共116项特征，能够预测继发性二尖瓣反流（secondarymitralregurgitation，SMR）患者在接受指南推荐的药物治疗后1年内的病情改善情况。对于纳入的1572例符合条件的SMR患者，XGBoost模型预测性能最佳，AUC值达0.73，能够帮助临床医生制定个性化治疗方案并优化资源配置［11］。CNN具有较强的影像特征提取与自动化分析能力，是MR定量评估与分级的重要工具。基于DeepLabv3和全卷积神经网络（fullyconvolutionalnetwork，FCN）构建的自动化量化模型，以A4C彩色多普勒超声图像为输入，可自动识别并测量血流汇聚半径，进而计算EROA与RVol。并依据2017年美国超声心动图学会指南对MR严重程度进行分级，对功能性MR与退行性MR组的分级准确率分别为0.82和0.90，解决了传统PISA法依赖医师经验、测量主观性强、可重复性差的问题［28］。我国曹省教授团队开发的一种FCN模型能够在A4C彩色多普勒图像上分割左心房侧反流区域，定量评估MR的严重程度，在内、外部测试集MR分级的平均准确率分别为0.91、0.88，有利于帮助医师获取MR定量评估的参数，辅助低年资医师准确评估MR严重程度［29］。基于CNN的EasyPISA框架能够在全心动周期内从二维彩色多普勒图像评估流速曲线与反流量，实现对EROA与RVol的自动量化测量。EasyPISA的RVol估计值与参考严重程度分级之间的AUC为0.90～0.97，其结果与手动超声评估及心脏磁共振成像（cardiacmagneticresonanceimaging，cMRI）高度一致，可有效替代传统人工PISA测量［25］。根据彩色多普勒视频的自动化pipeline可识别A4C影像并检测中度、重度MR，并利用多帧与多切面的时空信息提升分类性能，在跨站点数据上保持着AUC、敏感度和特异度均大于0.90的良好通用性［30］。基于时空CNN构建的DELINEATE-MR端到端DL系统通过对完整的TTE进行回顾分析，自动识别彩色多普勒图像，能够对切面和瓣膜进行分类，评估MR严重程度，从而实现对MR分类的一体化流程。模型在内部和外部测试中的准确率分别达到0.82与0.79，适用于PMR、SMR患者，并支持不同左心室功能状态与联合瓣膜疾病的诊疗场景［31］。聚焦二尖瓣脱垂（mitralvalveprolapse，MVP）的多维度重建与分类的DL模型DROID-MVP能够以TTE的二维模式视频为输入，自动识别PLAX、A2C、三腔心切面以及A4C等多切面图像，预测与MVP相关的临床不良结局，提升了MVP相关病变诊断的准确率［32］。2.AI在主动脉瓣狭窄（aorticstenosis，AS）诊疗中的应用基于XGBoost的树基ML模型结合AS患者的定量超声心动图参数与人口统计学变量，可建立出3个独立的风险预测模型，分别用以预测患者在未来1、2或3年内向严重AS发展的可能性，为轻-中度AS患者提供再次超声心动图随访检查时间点［33］。在进行超声心动图检查后长达5年的随访时间内，逻辑回归模型ASteRisk能够预测死亡高风险患者，风险比（hazardratio，HR）≥2.0；同时，该评分能够识别低压差AS患者，HR≥3.3，弥补了常规超声心动图指标特殊类型AS容易漏诊的缺点［34］。基于DL的AI模型主要解决传统AS诊疗中诊断准确率不足和评估一致性差等问题。应用二维TTE数据集训练的CNN自动化模型能精准识别PLAX、胸骨旁主动脉瓣水平短轴等超声切面，从而得到无AS、早期AS、有临床意义AS的分级结果。该全自动AS筛查系统的AUC值达0.96，可区分显著性AS（中度或重度）与非显著性AS（无、轻度、轻-中度），其分类AUC值为0.86；同时能有效区分早期AS（轻度或轻中度）与显著性AS（中度或重度），分类AUC值达0.75。这一过程无需多普勒影像，仅依赖二维超声即可完成［35］。生物标志物模型DASSi能够从PLAX视频中识别出无症状或早期AS个体中的高危患者。这种基于AI的视频生物标志物与AS的发生和进展独立相关，可以跨心血管成像模式对AS进行风险分层，在手持设备的应用上具有强大的潜能［36］。RSMASNet模型能利用多切面超声心动图进行AS的二元分类和严重程度分级，在有AS与无AS两类中均保持着稳定的性能。该模型在塔夫茨医学超声心动图数据集（TuftsMedicalEchocardiogramDataset，TMED）-1和TMED-2数据集上对AS严重程度分级的AUC值分别达到0.91和0.93。此外，在TMED-2超声心动图数据集上进行评估时，AS的识别准确率为0.947，F1值为0.944，AUC值为0.950。这种模型的应用有助于降低误诊率，减少不必要的临床干预，提升了AS筛查的整体准确率［17］。基于人工神经网络构建的Us2.ai全自动DL模型可自动识别二维超声和多普勒图像，准确测量出最大流速、平均跨瓣压差、主动脉瓣口面积、每搏输出量指数等指标，进而完成AS严重程度分级。该模型的分级结果与人工测量高度一致，有效解决了超声心动图检查中的人员短缺问题［37］。利用PLAX视频的3D-ResNet18集成模型，采用自监督学习以及Kinetics-400初始化和随机初始化两种神经网络初始化方法，可以基于单切面二维TTE视频有效筛查和检测严重AS。在2040项时间序列测试集中，该模型检测严重AS的AUC值达到0.978，在两个不同地理位置的独立队列中AUC值分别为0.952和0.942，保持了稳定诊断性能，适用于在医疗资源匮乏时进行床旁超声筛查［38］。Ahmadi等［16］提出了一种Transformer时空架构（3D-CNN+Transformer），仅通过处理二维超声心动图视频即可完成AS的检测与严重程度分级，且在私有数据集和TMED-2公共图像数据集上的验证中，该模型将AS检测和AS严重程度分类的准确率分别提高到0.915和0.838，均超越现有主流模型，为床旁超声的AS普适性筛查提供了可行方案。3.AI在TR诊疗中的应用我国谢盛华教授团队通过联合YOLOv5与ConvNeXt两种DL网络，对三尖瓣彩色多普勒超声血流频谱图进行分析，实现了对反流心动周期的自动标注和反流严重程度的智能评估，模型性能良好，平均精确率、召回率和特异度等均在大于0.90的较高值范围［39］。EchoNet-TR模型能自动选择图像，从TTE视频中识别出A4C三尖瓣彩色多普勒视频，并输出无TR、轻度、中度、重度的四级分级结果。模型性能出色，在雪松-西奈医疗中心测试数据集中，模型的AUC值达1.000，敏感度为0.975；在斯坦福医疗中心队列中，AUC值达0.999，敏感度为0.949［40］。由两种模型组合的端到端DL系统，将YOLOv5l模型用于单心动周期反流频谱的分割，而ConvNeXt模型用于单心动周期反流频谱的分类，最终能够将TR按照轻度、中度、重度进行分级。通过1500例内部病例和573例外部病例对该系统的有效性进行验证，其中，内部验证对轻度、中度和重度TR分级的AUC值分别为0.88、0.84和0.80，外部验证对轻度、中度和重度TR的AUC值分别为0.86、0.79和0.87。该端到端系统充分简化了临床工作流程，只需输入原始TR的连续波多普勒频谱即可得到评估结果［41］。樊晓寒教授与赵韡教授团队联合开发了一种Transformer模型SPEED-TR，在心电图（electrocardiogram，ECG）-超声心动图配对数据验证集中准确识别了中度至重度TR，模型AUC值0.945，阴性预测值（negativepredictivevalue，NPV）0.983，特异度0.973，并在多中心测试集中保持稳定性能（AUC值0.939～0.943，NPV值0.978～0.988），该模型具有筛查工具的潜力，并可为TR严重程度评估提供参考依据［14］。基于CNN+Transformer混合架构的Aisap.ai算法能够分析超声心动图图像来评估房室反流严重程度，在MR、TR的重度反流类别中表现最佳（重度MR的敏感度为0.78，特异度为0.96，准确率为0.94，F1值为0.74；重度TR的敏感度为0.85，特异度为0.92，准确率为0.91，F1值为0.72）。Aisap.ai模型在使用正式TTE参数成功生成预测结果的情况下，能够实现对具有临床意义的MR值和TR值的高诊断准确率［42］。在继发性三尖瓣反流（secondarytricuspidregurgitation，STR）诊疗的应用中，使用无监督聚类分析与XGBoost联合的模型，根据STR的严重程度以及通过超声心动图测量的右心室、右心房的大小和功能，可以对中度至重度STR患者进行分类。模型在推导队列（准确率为0.91，精确率为0.91，召回率为0.91，F1值为0.91）和验证队列（准确率为0.80，精确率为0.78，召回率为0.78，F1值为0.77）中均表现出优异性能，能够识别低、中、高风险的STR患者，从而提示不同风险组的外科手术干预时机或随访监测［43］。一项大型回顾性队列研究发现，严重TR患者具有较高的死亡或心力衰竭住院风险，将患者按照存在植入装置的TR、原发性TR及继发性TR的病因分类方法不能有效区分预后差异。而使用监督生存树模型则能针对死亡或HFH风险复合终点这一结局指标，识别出具有独特临床风险特征的患者，从而划分出死亡结局（聚类A～D）和死亡或HFH复合结局（聚类1～4）的不同预后亚组，有利于TR疗法的临床风险及获益分析［44］。4.AI在肺动脉瓣反流（pulmonaryregurgitation，PR）诊疗中的应用先天性心脏病患者PR的定量评估高度依赖cMRI，但该检查昂贵、耗时，并且可能引起患者焦虑。因此，通过超声心动图准确评估PR程度对于指导是否需要应用cMRI检查以及是否需介入手术至关重要。基于超声心动图和人口统计学参数的交叉验证多变量XGBoost梯度提升树模型，通过选取舒张期缩流颈与肺动脉瓣环比值、PR持续时间指数（反流持续时间除以舒张期时间）、PR压力半降时间、主肺动脉及左右分支舒张期血流反向和是否存在跨瓣环补片等参数作为检测指标，从而预测cMRI量化的PR分数，并进行PR严重程度分级。然而，在中度与重度PR的分级上，模型表现仍为中等，难以完全替代cMRI来完成分级与介入手术时间的判定［45］。PR的AI模型研发技术难度较高，右心室的解剖结构和形态特征比左心室更复杂，模型难以进行精准量化和特征提取［46］。有研究发现右心室与左心室相关的AI研究的比例分别为29%和71%，针对右心室的研究明显落后于左心室相关研究［47］。整体上，与PR相关的AI较为缺乏。基于胸片［48］、ECG［49］数据模态的PR的AI也有相关进展，或许能从这些模型的研究中汲取经验，为未来PR超声心动图的AI分析实现技术突破。5.AI在联合瓣膜病分析中的应用评估联合瓣膜的DL学习系统DELINEATE-Regurgitation可同时对主动脉瓣、二尖瓣与三尖瓣进行评估，准确地对MR、AR和TR的严重程度进行分类，对反流的进展进行风险分层与预测。而且，反流分级的内、外部测试与医师判读结果高度一致。此外，研究人员还利用同一数据集，开发了一个分析彩色多普勒视频的单独AI系统DELINEATE-MRProgression，用以预测轻度、中度MR向中至重度、重度MR发展的风险［18］。基于自然语言处理算法，可从TTE报告中自动识别主动脉瓣、二尖瓣、三尖瓣及肺动脉瓣狭窄与反流的患者，并按轻度、轻度至中度、中度、中度至重度、重度、极重度完成严重程度分级。主动脉瓣、二尖瓣和三尖瓣的阳性狭窄评估、阳性反流评估的阳性预测值、敏感度及F1值分别为1、1和1，肺动脉狭窄评估分别为0.962、0.962和0.960，PR评估分别为0.970、0.985和0.980［50］。6.VHD的AI模型特征总结AI在超声心动图领域的应用已在视图分类、心室分割和射血分数估算等工作流程支持任务方面达到相对成熟阶段［15］。CNN能够精准识别和量化心脏结构、评估心功能并检测超声心动图数据中的病理变化［13］。CNN适合用于超声图像的特征提取，如DeepLabv3+FCN模型能够精准分割二尖瓣血流汇聚区域［28］。基于视频的CNN还能够捕捉心动周期中的动态变化［18，32，40］，这是XGBoost模型所不具备的。此外，CNN模型更适合大规模验证，如DROID-MVP在>100万视频上训练［32］，EchoNet-TR在>200万视频上训练［40］，自动化pipeline在>5万的TTE和>258万的视频上训练［30］，而Transformer和XGBoost能处理的数据集规模远不及此。但CNN对图像质量依赖程度高，不少CNN模型研究时都排除了低质量影像数据［28］。CNN固有的“黑箱”问题也让临床医生难以理解模型如何决策，限制了其应用场景。Transformer架构也面临着相似的困境，虽然注意力机制可视化使其一定程度上具备可解释性，但是不如显著性图。相比之下，可解释性强是XGBoost类模型的一大优势，尤其XGBoost+SHAP的方法能为模型预测提供更加透明的解释［11］，但XGBoost依赖人为输入特征，可造成偏差。四、未来展望基于超声心动图的AI在VHD诊疗中应用发展迅速，随着可穿戴设备的深入研究，有助于实现便捷、实时、个体化VHD的筛查与监测。AI-ECG模型能够指导有进展风险的VHD患者进行超声心动图定期检查，从而有助于早期检测和干预［51］。但当前AI在VHD超声评估中的应用仍然存在泛化能力不足、可解释性不足、数据标注成本高、临床落地困难等一系列挑战。需要开展大规模、多中心、前瞻性的临床验证研究；制定标准化的可解释AI评估体系［52］；采用自监督学习等技术替代海量人工标注［53］；提升AI性能、完善临床医师AI培训体系以及实施科学的AI临床工作流程整合［54］。展望未来，超声心动图AI、AI-ECG及智能心音辅助诊断的多模态融合，有望构建从社区筛查到精准介入的VHD全周期智慧管理体系。参考文献[1]WangY，CaoT，LiuX，etal.Anewbenchmarkformodernmanagementofvalvularheartdisease：thewhole-lifecyclemanagementsystem［J］.JACCAsia，2025，5（5）：609-632.DOI：10.1016/j.jacasi.2025.01.017.[2]PrazF，BeyersdorfF，HaugaaK，etal.Valvularheartdisease：frommechanismstomanagement［J］.Lancet，2024，403（10436）：1576-1589.DOI：10.1016/S0140-6736（23）02755-1.[3]WeiY，SunD，JaiswalS，etal.Associationoflifestylewithvalvularheartdiseaseprogressionandlifeexpectancyamongelderlypeoplefromdifferentsocioeconomicbackgrounds［J］.BMCMed，2024，22（1）：367.DOI：10.1186/s12916-024-03576-9.[4]HuX，YeY，LiZ，etal.Primaryregionaldisparitiesinclinicalcharacteristics，treatments，andoutcomesofatypicallydesignedstudyofvalvularheartdiseaseat46tertiaryhospitalsinChina：insightsfromtheChina-VHDstudy［J］.ChinMedJ（Engl），2025，138（8）：937-946.DOI：10.1097/CM9.0000000000003570.[5]HolsteG，OikonomouEK，TokodiM，etal.CompleteAI-enabledechocardiographyinterpretationwithmultitaskdeeplearning［J］.JAMA，2025，334（4）：306-318.DOI：10.1001/jama.2025.8731.[6]PillaiB，SalernoM，SchnittgerI，etal.Precisionofechocardiographicmeasurements［J］.JAmSocEchocardiogr，2024，37（5）：562-563.DOI：10.1016/j.echo.2024.01.001.[7]ChaoCJ，GuYR，KumarW，etal.Foundationversusdomain-specificmodelsforleftventricularsegmentationoncardiacultrasound［J］.NPJDigitMed，2025，8（1）：341.DOI：10.1038/s41746-025-01730-y.[8]SalihA，BoscoloGalazzoI，GkontraP，etal.Explainableartificialintelligenceandcardiacimaging：towardmoreinterpretablemodels［J］.CircCardiovascImaging，2023，16（4）：e14519.DOI：10.1161/CIRCIMAGING.122.014519.[9]SenguptaPP，KluinJ，LeeSP，etal.Thefutureofvalvularheartdiseaseassessmentandtherapy［J］.Lancet，2024，403（10436）：1590-1602.DOI：10.1016/S0140-6736（23）02754-X.[10]郭文茗，张思宁，张翼然.什么是技术？——人工智能时代的标识性概念［J］.电化教育研究，2026，47（4）：5-12.DOI：10.13811/ki.eer.2026.04.001.GuoWM，ZhangSN，ZhangYR.Whatistechnology？—thesignatureconceptintheageofartificialintelligence［J］.E-EducationResearch，2026，47（4）：5-12.DOI：10.13811/ki.eer.2026.04.001.GotoCitationGoogleScholarBaiduScholarWanfangData[11]LiuK，LiuT，LangY，etal.Apredictivemodelforthetreatmentoutcomesofpatientswithsecondarymitralregurgitationbasedonmachinelearningandmodelinterpretation［J］.BMCMedInformDecisMak，2025，25（1）：445.DOI：10.1186/s12911-025-03282-3.[12]WuB，CuiJ，CuiW，etal.Fastsemanticsegmentationofremotesensingimagesusinganetworkthatintegratesglobalandlocalinformation［J］.Sensors（Basel），2023，23（11）：5310.DOI：10.3390/s23115310.[13]ZhangZ，WuQ，DingS，etal.Echo-Vision-FM：apre-trainingandfine-tuningframeworkforechocardiogramvideovisionfoundationmodel［J］.NatCommun，2025，17（1）：19.DOI：10.1038/s41467-025-66340-4.[14]DiaoX，XuW，ChengH，etal.SPEED-TR：aself-distilledandpre-trainedtransformermodelforenhancedECGdetectionoftricuspidregurgitation［J］.NPJDigitMed，2025，8（1）：650.DOI：10.1038/s41746-025-02011-4.[15]TeodoruM，Tonch-CerbuAK，CozmaD，etal.Artificialintelligenceincardiovascularimaging：fromautomatedacquisitiontoprecisiondiagnosticsandclinicaldecisionsupport［J］.MedSci（Basel），2026，14（1）：132.DOI：10.3390/medsci14010132.[16]AhmadiN，TsangMY，GuAN，etal.Transformer-basedspatio-temporalanalysisforclassificationofaorticstenosisseverityfromechocardiographycineseries［J］.IEEETransMedImaging，2024，43（1）：366-376.DOI：10.1109/TMI.2023.3305384.[17]GanY，HuangW，DengY，etal.RAMAS-Net：amodule-optimizedconvolutionalnetworkmodelforaorticvalvestenosisrecognitioninechocardiography［J］.FrontMed（Lausanne），2025，12：1587307.DOI：10.3389/fmed.2025.1587307.[18]LongA，FinerJ，HartmanH，etal.Deeplearningforechocardiographicassessmentandriskstratificationofaortic，mitral，andtricuspidregurgitation：theDELINEATE-regurgitationstudy［J］.EurHeartJ，2025，46（28）：2780-2791.DOI：10.1093/eurheartj/ehaf248.[19]MengY，ZhangY，XieJ，etal.Multi-granularitylearningofexplicitgeometricconstraintandcontrastforlabel-efficientmedicalimagesegmentationanddifferentiableclinicalfunctionassessment［J］.MedImageAnal，2024，95：103183.DOI：10.1016/j.media.2024.103183.[20]BrownK，RoshanitabriziP，RwebemberaJ，etal.Usingartificialintelligenceforrheumaticheartdiseasedetectionbyechocardiography：focusonmitralregurgitation［J］.JAmHeartAssoc，2024，13（2）：e31257.DOI：10.1161/JAHA.123.031257.[21]FerrazS，CoimbraM，PedrosaJ.Assistedprobeguidanceincardiacultrasound：areview［J］.FrontCardiovascMed，2023，10：1056055.DOI：10.3389/fcvm.2023.1056055.[22]HuH，HuangH，LiM，etal.Awearablecardiacultrasoundimager［J］.Nature，2023，613（7945）：667-675.DOI：10.1038/s41586-022-05498-z.[23]TsengCH，ChienSJ，WangPS，etal.Real-timeautomaticM-modeechocardiographymeasurementwithpanelattention［J］.IEEEJBiomedHealthInform，2024，28（9）：5383-5395.DOI：10.1109/JBHI.2024.3413628.[24]NedadurR，WangB，TsangW.Artificialintelligencefortheechocardiographicassessmentofvalvularheartdisease［J］.Heart，2022，108（20）：1592-1599.DOI：10.1136/heartjnl-2021-319725.[25]WifstadSV，KildahlHA，HolteE，etal.EasyPISA：automaticintegratedpisameasurementsofmitralregurgitationfrom2-dcolor-dopplerusingdeeplearning［J］.UltrasoundMedBiol，2024，50（11）：1628-1637.DOI：10.1016/j.ultrasmedbio.2024.06.008.[26]BernardJ，YanamalaN，ShahR，etal.Integratingechocardiographyparameterswithexplainableartificialintelligencefordata-drivenclusteringofprimarymitralregurgitationphenotypes［J］.JACCCardiovascImaging，2023，16（10）：1253-1267.DOI：10.1016/j.jcmg.2023.02.016.[27]SadeghpourA，JiangZ，HummelYM，etal.Anautomatedmachinelearning-basedquantitativemultiparametricapproachformitralregurgitationseveritygrading［J］.JACCCardiovascImaging，2025，18（1）：1-12.DOI：10.1016/j.jcmg.2024.06.011.[28]ZhongL，DengQ，WangY，etal.Afullyconvolutionalneuralnetworkforthequantificationofmitralregurgitationinechocardiography［J］.QuantImagingMedSurg，2024，14（12）：8707-8719.DOI：10.21037/qims-24-735.[29]钟露，宋宏宁，胡波，等.基于全卷积神经网络的超声心动图二尖瓣反流定量评估模型初步研究：反流半径的自动识别与测量［J］.中华超声影像学杂志，2025，34（2）：98-106.DOI：10.3760/131148-20240726-00409.ZhongL，SongHN，HuB，etal.Preliminarystudyonthequantitativeassessmentmodelofmitralregurgitationinechocardiographybasedonfullyconvolutionalnetworks：automaticidentificationandmeasurementofregurgitantradius［J］.ChinJUltrasonogr，2025，34（2）：98-106.DOI：10.3760/131148-20240726-00409.[30]VrudhulaA，DuffyG，VukadinovicM，etal.High-throughputdeeplearningdetectionofmitralregurgitation［J］.Circulation，2024，150（12）：923-933.DOI：10.1161/CIRCULATIONAHA.124.069047.[31]LongA，HaggertyCM，FinerJ，etal.DeepLearningforEchoAnalysis，Tracking，andEvaluationofMitralRegurgitation（DELINEATE-MR）［J］.Circulation，2024，150（12）：911-922.DOI：10.1161/CIRCULATIONAHA.124.068996.[32]Al-AlusiMA，LauES，SmallAM，etal.Adeeplearningmodeltoidentifymitralvalveprolapsefromtheechocardiogram［J］.JACCCardiovascImaging，2026，19（1）：18-29.DOI：10.1016/j.jcmg.2025.08.011.[33]Sánchez-PuenteA，Dorado-DíazPI，Sampedro-GómezJ，etal.Machinelearningtooptimizetheechocardiographicfollow-upofaorticstenosis［J］.JACCCardiovascImaging，2023，16（6）：733-744.DOI：10.1016/j.jcmg.2022.12.008.[34]NamasivayamM，MyersPD，GuttagJV，etal.Predictingoutcomesinpatientswithaorticstenosisusingmachinelearning：theAorticStenosisRisk（ASteRisk）score［J］.OpenHeart，2022，9（1）：e1990.DOI：10.1136/openhrt-2022-001990.[35]WesslerBS，HuangZ，LongGM，etal.Automateddetectionofaorticstenosisusingmachinelearning［J］.JAmSocEchocardiogr，2023，36（4）：411-420.DOI：10.1016/j.echo.2023.01.006.[36]OikonomouEK，HolsteG，YuanN，etal.Amultimodalvideo-basedAIbiomarkerforaorticstenosisdevelopmentandprogression［J］.JAMACardiol，2024，9（6）：534-544.DOI：10.1001/jamacardio.2024.0595.[37]KrishnaH，DesaiK，SlostadB，etal.Fullyautomatedartificialintelligenceassessmentofaorticstenosisbyechocardiography［J］.JAmSocEchocardiogr，2023，36（7）：769-777.DOI：10.1016/j.echo.2023.03.008.[38]HolsteG，OikonomouEK，MortazaviBJ，etal.Severeaorticstenosisdetectionbydeeplearningappliedtoechocardiography［J］.EurHeartJ，2023，44（43）：4592-4604.DOI：10.1093/eurheartj/ehad456.[39]刘韩，王胰，舒庆兰，等.基于深度学习的超声心动图三尖瓣反流严重程度智能评估方法研究［J/OL］.中华医学超声杂志（电子版），2024，21（2）：121-127.DOI：10.3877/cma.j.issn.1672-6448.2024.02.003.LiuH，WangY，ShuQL，etal.Deeplearning-basedintelligentassessmentoftricuspidvalveregurgitationseveritybyechocardiography［J/OL］.ChinJMedUltrasound（ElectronicEdition），2024，21（2）：121-127.DOI：10.3877/cma.j.issn.1672-6448.2024.02.003.[40]VrudhulaA，VukadinovicM，HaeffeleC，etal.Automateddeeplearningphenotypingoftricuspidregurgitationinechocardiography［J］.JAMACardiol，2025，10（6）：595-602.DOI：10.1001/jamacardio.2025.0498.[41]XieS，LiuH，SuL，etal.Adeeplearning-basedmethodforassessingtricuspidregurgitationusingcontinuouswaveDopplerspectra［J］.SciRep，2024，14（1）：27483.DOI：10.1038/s41598-024-78861-x.[42]CohenI，MalinsJG，Cohen-ShellyM，etal.Deeplearningforatrioventricularregurgitationdiagnosis：anexternalvalidationstudy［J］.EurHeartJDigitHealth，2025，6（5）：949-958.DOI：10.1093/ehjdh/ztaf078.[43]BadanoLP，PensoM，TomaselliM，etal.Advancedechocardiographyandclusteranalysistoidentifysecondarytricuspidregurgitationphenogroupsatdifferentrisk［J］.RevEspCardiol（EnglEd），2025，78（10）：838-847.English，Spanish.DOI：10.1016/j.rec.2025.02.004.[44]RaoVN，GiczewskaA，ChiswellK，etal.Long-termoutcomesofphenoclustersinseveretricuspidregurgitation［J］.EurHeartJ，2023，44（21）：1910-1923.DOI：10.1093/eurheartj/ehad133.[45]CohenJ，DuongSQ，ArivazhaganN，etal.Machinelearningquantificationofpulmo