Lancet Digit Health：通过人工智能增强心脏 MRI 预测诊断和舒张压充盈压：医院数据的建模研究

背景
随着患者数量的增加以及用于治疗不同原因的收缩性和舒张性心力衰竭的新药的出现，对心脏功能的自动评估变得越来越重要。传统的评估方法通常依赖于侵入性程序，例如心脏导管检查，这不仅对患者有一定的风险，而且在时间和成本上也较为昂贵。因此，寻找一种非侵入性、准确且高效的方法来评估心脏功能，特别是左心室舒张末期压（LVEDP），显得尤为重要。心脏磁共振成像（cMRI）作为一种先进的影像学技术，能够提供详细的心脏结构和功能信息，但其潜力尚未完全被挖掘。我们旨在利用人工智能（AI）技术，通过分析cMRI数据来预测患者的诊断和LVEDP，从而提供一种新颖的非侵入性评估方法。

方法
在这项建模研究中，我们识别了2004年7月15日至2023年3月16日期间在德国海德堡大学医院接受心脏导管检查的患者及其左心室压力测量结果。我们使用了常规心脏诊断中的现有患者数据。这些数据包括详细的心脏压力测量值和cMRI图像信息。从这一初始组中，我们提取了被诊断为缺血性心肌病、扩张型心肌病、肥厚型心肌病或淀粉样变性，以及无结构性表型的对照个体的数据。所有数据进行了伪匿名处理，仅在大学医院的人工智能基础设施内进行处理，以保证数据的安全性和隐私性。

我们利用这些数据构建了不同的模型，以预测人口统计学参数（例如AI年龄和AI性别）、诊断参数（例如AI冠状动脉疾病和AI心肌病[AI-CMP]）或功能参数（例如AI-LVEDP）。为了确保模型的泛化能力和准确性，我们通过计算机将数据集随机分为训练集、验证集和测试集。AI-CMP模型没有与其他模型进行直接比较，但在前瞻性设置中进行了验证。同时，我们还进行了基准测试，以评估模型的性能。

研究结果
我们识别了66,936名在海德堡大学医院接受心脏导管检查的患者，共有超过183,772次的左心室压力测量结果。从这一初始组中，我们提取了4,390名患者的数据。其中，1,131名（25.8%）被诊断为缺血性心肌病，1,064名（24.2%）被诊断为扩张型心肌病，816名（18.6%）被诊断为肥厚型心肌病，202名（4.6%）被诊断为淀粉样变性，1,177名（26.7%）为无结构性表型的对照个体。核心队列仅包括在30天内进行了心脏导管检查和cMRI的患者，急诊病例被排除在外。

我们的AI模型在多个任务上表现出了优异的性能。具体来说，AI性别模型能够以0.78（95% CI 0.77-0.78）的ROC曲线下面积（AUC）准确预测患者性别。AI年龄模型能够以7.86年（7.77-7.95）的平均绝对误差预测患者年龄，Pearson相关系数为0.57（95% CI 0.56-0.57）。在分类任务中，模型的AUC范围从0.82（95% CI 0.79-0.84，缺血性心肌病）到0.92（0.91-0.94，肥厚型心肌病），显示了其在不同心肌病诊断中的高准确性。

解释
我们的研究表明，利用人工智能技术结合cMRI数据，可以提供一种非侵入性的心脏功能评估方法。这种方法不仅能够准确地预测患者的诊断，还能评估重要的功能参数，如LVEDP。与传统的侵入性检查相比，这种方法更加安全、便捷，并且具有较高的临床应用潜力。我们的AI模型可以轻松整合到临床实践中，为医生提供额外的信息支持，从而提高诊断和治疗的准确性和效率。

总之，这项研究展示了AI技术在医学影像分析中的巨大潜力，通过结合cMRI和AI，我们可以实现更为精准和个性化的心脏病诊断和管理。这不仅为患者带来了更好的医疗体验，也为未来心脏病的研究和治疗开辟了新的路径。

参考文献：

Lehmann DH, Gomes B, Vetter N, Braun O, Amr A, Hilbel T, Müller J, Köthe U, Reich C, Kayvanpour E, Sedaghat-Hamedani F, Meder M, Haas J, Ashley E, Rottbauer W, Felbel D, Bekeredjian R, Mahrholdt H, Keller A, Ong P, Seitz A, Hund H, Geis N, André F, Engelhardt S, Katus HA, Frey N, Heuveline V, Meder B. Prediction of diagnosis and diastolic filling pressure by AI-enhanced cardiac MRI: a modelling study of hospital data. Lancet Digit Health. 2024 Jun;6(6):e407-e417. doi: 10.1016/S2589-7500(24)00063-3. PMID: 38789141.