走进变革性心脏护理的最前沿——人工智能将成为揭开心音秘密的钥匙

2023年11月，团队在Alexandria Engineering Journal在线发表题为“Heart sound classification based on bispectrum features and Vision Transformer mode”的研究论文，该研究基于双谱启发的特征提取和视觉转换器（Vision Transformer）模型，实现了对心音的二元分类。模型在全人群（包括怀孕和非怀孕患者）中体现出极好的分类效果，研究发现，本模型的诊断效能优于人类专家，体现出了极大的应用潜力。

在资源有限、收入中等的地区，心血管疾病仍然是威胁人类健康的重要因素。在这一严峻问题下，心音的精确分类正成为心血管疾病早期诊断和干预领域的关键。人工心音听诊的效果仍然依赖于医生的专业知识，但这种形势正悄然改变，借助深度学习算法，心音分类达到了新的高度。

这篇开创性的文章揭示了一个巧妙的模型，模型由双谱启发的特征提取和视觉转换器模型的尖端能力强化而成。该模型可对心音进行二元分类，将其标记为"正常 "或 "异常"。模型使用数据来自"PhysioNet Challenge 2022"数据库，包含来自942名患者的3163条数据。该模型展示了一个熟练的分类过程，具有显著的一致性，特别是在区分怀孕和非怀孕患者的心音时，能够保持自身优势。研究大胆地将模型的性能与经验丰富的心脏病专家的性能进行了对比，模型在对比中大获全胜，甚至令经验最丰富的心脏病专家也黯然失色。

在全球均面对医疗资源分配不均的背景下，这项开创性的工作点亮了希望的灯塔，开启了一个先进算法不仅能媲美而且能超越人类专业知识的未来，走进变革性心脏护理的最前沿——人工智能将成为揭开心音秘密的钥匙。

深度学习模型+红外线远程测量，实现无接触大规模人群高血压筛查

2023年9月，团队在Quantitative Imaging in Medicine and Surgery在线发表题为“Noncontact remote sensing of abnormal blood pressure using a deep neural network: a novel approach for hypertension screening”的研究论文，该研究利用深度学习模型，研发了一种利用红外线远程测量血压并预测异常高血压的方法，实现了无接触大规模人群高血压筛查。

随着全球高血压负担的不断加重，早期诊断和治疗在改善患者预后方面发挥着越来越重要的作用。在这项研究中，团队利用深度学习（Deep Learning）模型，开发并评估了一种从红外（上半身）远程血压图预测异常高血压的方法。研究使用的数据来自冠状病毒疾病2019（COVID-19）试点队列研究，包括从2020年7月22日至9月4日招募的252名志愿者的数据。原始视频文件按5帧间隔裁剪为每片3800帧。在进行红外成像之前，使用Welch Allyn 71WT监护仪测量血压信息，血压异常升高定义为收缩压≥140 mmHg和/或舒张压≥90 mmHg。利用深度神经网络开发了PanycNet DL模型，以根据红外热图预测正常血压。

研究最终共纳入252名参与者，其中62.70%为男性，37.30%为女性。在验证组（上半身）中，精确度、召回率和AUC值分别为0.930、0.930和0.983（95%CI：0.904-1.000），头部的预测能力最强，AUC为0.868（95%CI：0.603-0.994）。

这是第一种无需接触现有设备和数据即可进行高血压筛查的技术，预计该技术将适用于在公共场所对人群进行大规模血压异常筛查和家庭血压监测。

利用深度学习模型识别动态和静态心脏超声图像，准确识别EF降低的心衰患者

2023年7月，团队在Journal of Translational Internal Medicine在线发表题为“A generalized deep learning model for heart failure diagnosis using dynamic and static ultrasound”的研究论文，该研究采用深度学习方法，利用改进的深度时空卷积模型，对动态和静态心脏超声图像进行识别，准确识别EF降低的心衰患者。

研究采用改进的深度时空卷积模型r2plus1d-Pan（在动态数据上训练并应用于静态数据），并利用“回归训练结合分类应用”的思想进行训练，这种方法可以推广到动态ECG和静态心脏超声图像，以识别收缩分数（EF＜40％）降低的HF。此外，研究建立了三个独立数据集，包含8976个心脏超声图像和10085个心脏超声视频，随后对EF进行了多中心、多国的标记，并进行了模型训练和独立验证。

最终，研究招募了15名在心血管疾病专科医院工作，且工作年限不同的注册超声医生和心脏病专家，以比较结果。所提出的深度时空卷积模型在动态超声数据训练集上达到了0.95的AUC值（95％CI：0.947-0.953），在独立验证集上AUC值为1（95％CI：1-1）。该模型应用于静态心脏超声图像（验证集）同时输入相同心脏的1、2、4和8张图像，其分类准确度分别为85％、81％、93％和92％。在静态数据上，人工智能模型的分类准确度与有3年以上工作经验的超声医生和心脏病专家的最佳表现相当（P=0.344），但明显优于中位水平（P=0.0000008）。

深度学习算法有效识别右心室异常

2023年7月，团队在Interdisciplinary Sciences: Computational Life Sciences在线发表题为“Development of an Expert‑Level Right Ventricular Abnormality Detection Algorithm Based on Deep Learning”的研究论文，该研究利用深度学习神经网络和六种机器学习算法进行建模，实现了对右心室异常（右心室腔容积＞110 mL/m2或右心室射血分数＜40%）的识别。

研究纳入了自动心脏诊断挑战赛数据集（The Automated Cardiac Diagnosis Challenge dataset）的20名右心室异常受试者（右心室腔容积＞110 mL/m2或右心室射血分数＜40%）和20名正常受试者。受试者按7：3的比例分为训练集和验证集，并利用深度学习神经网络和六种机器学习算法进行建模。来自多个中心的八位核磁共振成像专家独立判断验证组中的每位受试者是否存在RV异常，根据AUC、准确率、召回率、灵敏度和特异性对模型性能进行评估。

结果显示深度学习神经网络的表现优于其他六种机器学习算法，训练组和验证组的AUC值均为1（95%CI：1-1）。该算法超过了大多数人类专家（87.5%）。研究表明，深度学习算法能有效识别RV异常患者。这种专为右心室异常开发的人工智能算法将提高各级医疗单位对右心室异常的检测能力，促进相关疾病的及时诊断和治疗。此外，该研究还首次通过与人类专家的比较，验证了该算法对右心室异常的分类能力。

基于深度学习模型，以准确识别、定位和跟踪关键心脏结构和病变

2023年4月，团队在Journal of Thoracic Disease在线发表题为“Automated deep neural network-based identification, localization, and tracking of cardiac structures for ultrasound-guided interventional surgery”的研究论文，该研究开发了一种基于深度学习的模型，以准确识别、定位和跟踪关键心脏结构和病变（共9种），并使用独立数据集验证该算法的性能。

研究使用了2018年1月至2019年6月期间从阜外医院收集的数据开发了一种基于深度学习的模型。该模型通过独立的法国和美国数据集进行了验证，共有17114个心脏结构和病变被用于开发算法，模型结果与多个中心的15位专科医生的结果进行了比较；外部验证使用了来自两个不同数据集的516805和27938条数据。

在结构识别方面，训练数据集中每个结构的AUC、测试数据集中的最佳性能以及每个结构识别的AUC中值分别为1（95%CI：1-1）、1（95%CI：1-1）和1（95%CI：1-1）。在结构定位方面，最佳平均准确率为0.83。在结构识别方面，模型的准确率明显高于专家的中位数（P＜0.01）。在两个独立的外部数据集中，模型的最佳识别准确率分别为89.5%和90%（P=0.626）。该模型在心脏结构识别和定位方面的表现优于大多数人类专家，与所有人类专家的最佳表现相当，可用于外部数据集。

医疗健康是国家战略的重要领域，随着大数据时代的到来，人工智能技术在医学领域得到了迅猛发展，在医疗健康产业数字化和智能化转型过程中，智慧医疗已成为中坚力量，极大地改变了传统医疗的方式，为临床工作带来了极大的便利。人们对于高质量、便捷、智能高效的健康医疗服务的需求越来越迫切，在医疗健康领域中推广人工智能既是机遇也是挑战，阜外医院潘湘斌团队坚持深耕医工交叉领域，持续发力人工智能领域，为更多患者带去福音。