人的视觉和认知是复杂的，超声心动图医师通过肉眼分析静态图像和动态视频，可抽象为以下步骤:视网膜的光感受器将光信号吸收并转化为电化学信号，信号通过神经元网络传输至视神经，到达大脑皮层和脑干后，这些信号将会整合到意识和潜意识感知中。

超声心动图医师往往需要数年的培训累积经验，才能独立进行诊断。目前，超声心动图已经从二维读图发展为半定量评估，但是仍受限于人为误差以及手动分析的耗时长。通过回顾、学习多达数十亿张的超声心动图图像，人工智能能够克服这一问题，协助超声心动图医师进行诊疗。本文介绍了人工智能的基本原理，阐述人工智能在超声心动图中的应用，如自动分析心腔容积与左室功能、瓣膜病变、心肌病诊断等。

1.人工智能的基本原理

人工智能(artificialintelligence，AI)能够模拟并超越人类的学习和经历，即在学习、解决某一问题的情景下，机器模仿人类的思维、认知，通过机器感知环境，进行测量，最大限度地实现某个特定目标，提高效率。AI在日常生活中已有运用，比如天气预报、分析金融市场、预测用户购买倾向、根据用户喜好推荐新闻、音乐等。机器学习是人工智能的一个组成部分，计算机从数据中学习完成任务，但同时却不提供计算机明确的程序设定。根据用于学习样本完全标记、部分标记或未标记，机器学习可分为监督学习、半监督学习和非监督学习等。通过样本训练找到合适权重的过程就是机器学习。

机器学习的典型例子就是卷积神经网络(convolutionneuralnetwork，CNN)，CNN由层状神经元连接构成，模拟人脑通过不同的权重反映神经元之间的相互依赖关系。每个神经元接受多个输入信号，输入信号的总和激活神经元;被激活的神经元再输出信号，决定下一层神经元的状态，直至最后一层神经元输出感兴趣的值，做出分类决策或阈值估算等。但是，机器学习受限于计算能力和样本大小。

随着神经元数量的增加，学习过程的复杂性和所需样本量增加。过去只能通过从原始数据中手工提取特征来减少神经元的数量。现在，深度学习可以通过自动学习样本解决这一问题。深度学习模拟人类神经网络，采用多层神经元级联学习，通过组合多个非线性处理层对原始数据进行逐层抽象，从数据中获得不同层面的抽象特征，以此进行分类预测。深度学习在语音识别、图像识别、药物活性预估等领域中已经达到甚至超过人类水平。其优点在于，深度学习用非监督式或半监督式的特征学习和分层特征提取高效算法，替代了手工获取特征。目前已出现多种超声心动图软件包借助AI技术，协助图像分析，用于评估心脏结构、功能。

2.人工智能协助三维超声评估心腔容积、左心室射血分数

过去，三维超声心动图测定心腔容积、左心射血分数(leftventricularejectionfraction，LVEF)需要手工描绘心内膜边界，主观性强、耗时长，限制了三维超声容积测量在临床中的应用。HeartModel(philipshealthcare，USA)是一种新的基于AI技术的自动化软件，能直接量化三维经胸超声心动图的左心室、左心房容积和LVEF。该软件数据库包含了1000例三维超声经胸数据集。

通过心电识别左室舒张末期，确定整体结构，根据运动分析确定收缩末期左室腔;结合三维超声心动图数据中的整体形状、曲率和体积，从数据集中选择最佳匹配的模型;经适应性调整，使模型局部适应被检测者的容积。如果超声心动图医师对显示的轮廓不满意，能够手动编辑修改。

Tsang等对159例患者进行研究，使用Heartmodel自动分析左心房、左心室容积和LVEF，结果发现该方法具有可行性，与金标准心脏磁共振数据相关性高(r=0.84，0.93，0.85)，并且比全手动分析耗时短(26±2)svs(144±32)s，(P<0.001)。另一款基于AI技术的软件包(AutoLV，TomTec-arena1.2，TomTecImagingSystems，Germany)应用针对图像的机器学习算法，也能自动检测心内膜边界。

Knackstedt等采用该软件包，针对多中心255名研究对象进行研究，采用软件全自动描绘分析图像、输出LVEF，与超声心动图专家手工描记心内膜轮廓、通过双平面Simpson法测量的LVEF相比较，发现软件分析和专家手动分析的结果具有较好的一致性(ICC:图像质量较差组0.79，图像质量佳组0.83)，软件获得LVEF仅耗时(8±1)s，还发现软件输出的左心室收缩末期纵向应变(longitudinalstrain，LS)能反映左心室收缩功能(LVEF=2×LS+20，r=0.92，P<0.001)。该研究证明了AI全自动分析左心室收缩功能的可行性、准确性。可见，AI技术能提供可重复的心腔结构、功能的定量测量，但是，基于AI的图像分析仍然依赖图像质量;与金标准磁共振提供的心腔结构、功能的定量测量有较好的相关性，但在容量评估时仍存在低估;不同厂家的AI算法不同，无统一标准。

3.人工智能协助三维食道超声评估瓣膜病

准确评估瓣膜结构是瓣膜病手术的关键。目前，实时三维超声心动图已经不依赖形态假设，能自动评估主动脉或二尖瓣病变，使瓣膜分析可视化，但是，图像描绘分析仍依赖于专业经验，耗时长，需要大量的人力投入。智能解剖超声技术(anatomicalintelligenceultrasound，AIUS)以超声图像与医学解剖模型的大数据为基础，通过器官模型的建立和自适应系统技术，使计算机能自动识别组织解剖结构，并进行定量分析。

Jin等回顾分析了90例退行性二尖瓣脱垂(mitralvalveprolapse，MVP)患者的三维经食管超声资料，进行二尖瓣重建，以手术结果为金标准，结果发现，全手动分析情况下，非专家(既往三维超声二尖瓣分析<10例)相比超声心动图专家(既往三维超声二尖瓣分析>500例)的准确性显著降低(83%vs95%，P<0.001);使用AIUS能显著提高非专家的准确性(从83%提高到89%，P=0.003)，尤其A3分区(从81%提高到94%，P=0.006)和P1分区(从78%提高到88%，P=0.001)的准确性，这可能与A3、P1分区的解剖变异度大、描绘困难有关;另外，使用AIUS能显著节省图像描绘分析时间〔专家分析:(1.9±0.7)minvs(9.9±3.5)min，P<0.0001;非专家分析(5.0±0.5)minvs(13±1.5)min，P<0.0001〕。

Choi等以32例主动脉瓣反流患者为研究对象，分别使用二维彩色血流汇聚法(two-dimensionalproximalisovelocitysurfacearea，PISA)和三维全容积彩色多普勒超声心动图(three-dimensionalfullvolumecolorDopplerechocardiography，3DE-FVCDE)评估主动脉瓣反流，以心脏磁共振成像为金标准，发现3D-FVCDE测定的主动脉瓣反流体积与磁共振的相关性和一致性优于2D-PISA(3D-FVCDE:r=0.93，2D-PISA:r=0.76，P<0.001);同时，3D-FVCDE能评估偏心反流及反流多束者，而2D-PISA无法评估这两类反流。因此，3DFVCDE能定量评估主动脉环和主动脉根部病变，进一步协助选择经导管主动脉瓣置换瓣膜的大小，减少与患者错配的概率。可见，AI技术协助评估瓣膜病具有可行性，减少了操作步骤，同时大幅提高定量结果的准确性和重复性。

4.人工智能运用于心肌病的诊断

临床诊断是将未知病人病情与过去典型病例联系起来的过程。这一过程也能通过AI完成。Sengupta等建立了一种联想记忆分类的机器学习算法，先对47例无结构性心脏病对照者的斑点追踪超声心动图数据进行归一化处理后，针对50例缩窄性心包炎和44例限制性心肌病患者进行鉴别研究，以手术病理为诊断金标准，发现联想记忆分类器使用斑点跟踪超声心动图参数时的受试者工作特征曲线的曲线下面积(areaundercurve，AUC)为89.2%的，增加另外4个超声心动图变量(e'，E/e'，室间隔厚度、左室后壁厚度)后，AUC提高到96.2%。

整合斑点追踪超声心动图参数到机器学习模型这一技术也能区分运动员生理性左室肥大与肥厚性心肌病。因此，AI机器学习运用于超声心动图诊断是可行的，能协助诊断。但是，AI技术中深度学习这一领域的算法复杂，非专业领域人员难以理解，影响算法推广，需要计算机领域与医疗领域进一步合作。

综上所述，人工智能正在改变超声心动图的应用前景，在医疗影像领域将会有更广阔的应用。多个供应商的软件程序已纳入AI技术进行图像的自动化分析，目前三维超声心动图和斑点追踪的自动化显示了很高的可行性、准确性和重复性。另外，近来研究人员应用AI对胎儿超声图像进行识别检测，提示AI在胎儿超声心动图中也有应用前景。基于AI的超声心动图临床应用价值尚待进一步研究。