基于深度学习的小鼠心力衰竭模型自动化心脏MRI分析：实现稳健表型剖析的新策略

《Scientific Reports》：Automated cardiac MRI analysis for robust profiling of heart failure models in mice

本研究针对心力衰竭伴射血分数保留（HFpEF）研究缺乏稳健临床前模型及传统心脏MRI分析效率低、变异度高等问题，开发了一套集快速成像协议与深度学习自动分割于一体的综合分析平台。研究人员通过优化多序列MRI采集（包括cine-ASL灌注成像和多巴酚丁胺负荷试验），并结合3D卷积神经网络（CNN）实现小鼠心脏结构的精准分割（Dice系数>0.9）。结果表明，该技术可敏感检测肥胖和高血压模型中的微循环障碍（如DIO组心肌血流量降低p=0.02）和舒张功能异常，为HFpEF机制研究和药物开发提供了高效、可重复的技术工具。

　　

在全球老龄化进程加速的背景下，心力衰竭伴射血分数保留（HFpEF）已成为心血管领域最棘手的临床难题之一。这类患者虽然心脏泵血功能看似正常，却饱受呼吸困难、反复住院的折磨，年死亡率高达15%。其发病机制复杂，涉及肥胖、糖尿病、高血压等多种共病交织作用，导致心肌纤维化、微血管功能障碍等病理改变，而当前缺乏能模拟人类疾病特征的动物模型以及精准、高效的表型分析工具，严重阻碍了其机制研究和治疗突破。

面对这一挑战，来自Calico生命科学公司的Thulaciga Yoganathan博士团队在《Scientific Reports》上发表了一项创新研究。他们成功开发了一套集快速成像与智能分析于一体的小鼠心脏MRI平台，为HFpEF的临床前研究提供了强大工具。传统小鼠心脏MRI存在两大瓶颈：图像采集耗时过长，限制了多模态评估（如负荷试验、灌注成像）的实施；而人工分割分析不仅效率低下（每例需40–50分钟），且存在较高观察者间变异（如左室射血分数EF的观察者间相关系数仅0.79）。尤其对于结构复杂的右心室（RV）和评估舒张功能关键的左心房（LA），人工测量的一致性更低。

为解决这些问题，研究团队首先对成像序列进行了系统优化。他们在9.4T高场磁共振上对比了四种短轴序列，最终选择了部分傅里叶加速的 segmented FLASH序列（SF40）。该序列在7–8分钟内即可完成全心脏覆盖，且图像质量满足分析需求，为后续加入动脉自旋标记（cine-ASL）灌注成像和多巴酚丁胺负荷试验留出了宝贵时间。cine-ASL技术无需注射对比剂即可定量心肌血流量（MBF），能敏感捕捉早期微循环障碍。

在图像分析方面，团队构建了基于U-Net架构的深度学习模型。针对短轴图像采用3D卷积神经网络进行体积分割，对四腔心、二腔心长轴图像则采用2D卷积神经网络。模型在244例短轴扫描和278例四腔心扫描的手动标注基础上进行训练与验证。

关键技术方法

研究利用9.4T preclinical MRI对C57BL/6J小鼠进行心脏成像，比较了四种序列后选定SF40序列进行高速采集（7–8分钟/全心脏）。通过cine-ASL序列实现无对比剂心肌灌注成像，并采用多巴酚丁胺负荷测试评估心脏储备功能。深度学习分割基于3D U-Net（短轴）和2D U-Net（长轴）架构，使用Adam优化器最小化Dice损失，通过80%/20%划分训练集与验证集。统计分析采用GraphPad Prism进行ANOVA、Bland-Altman及组内相关系数（ICC）检验。

深度学习算法实现高精度心脏分割

模型表现出色，在短轴和四腔心扫描中的平均Dice相似系数均超过0.9。与两位经验丰富的观察者的人工分割相比，CNN自动分割的左室功能参数（如舒张末期容积EDV、收缩末期容积ESV）的组内相关系数（ICC）均高于0.95，一致性极佳。尤其对于人工分割变异较大的右室射血分数（RV EF），CNN也将ICC提升至0.82。这意味着该自动化工具不仅能将分析时间从数十分钟缩短至瞬间，更提供了远超人工重复性的精准量化数据。

综合心脏评估揭示HFpEF小鼠模型的舒张与灌注功能障碍

团队在两种模拟人类HFpEF的多因素小鼠模型（饮食诱导肥胖DIO+高血压药物DOCP模型、长期高脂饮食HFD+DOCP模型）中验证了该平台的敏感性。

在相对温和的DIO+DOCP模型中，尽管小鼠的左室射血分数（LV EF）和常规超声舒张参数（E/e′比值）未见显著改变，但cine-ASL已清晰显示，DIO组和DIO+DOCP组的心肌血流量（MBF）显著低于对照组（p=0.02和p=0.03）。组织学CD31染色进一步证实，这些小鼠的心肌血管密度显著降低。这表明，在出现明显心功能异常之前，肥胖本身已引发显著的微血管重塑和灌注受损，该技术能够捕捉到这种“隐匿性”病变。

在疾病表型更显著的HFD+DOCP模型中（中年小鼠长期高脂饮食合并高血压），平台检测到了更全面的HFpEF特征。超声多普勒显示E/e′比值和二尖瓣减速峰值流速显著升高，提示舒张功能受损；心脏MRI则发现左心房截面积增大，左室容积增加。同时，心肌灌注受损同样存在，HFD+DOCP组的MBF显著降低（p=0.05）。这些发现与临床HFpEF患者的特征高度吻合，凸显了该模型及分析平台在模拟复杂人类疾病方面的价值。

研究结论与重要意义

该研究成功地将快速多模态心脏MRI与深度学习自动分割相结合，建立了一个高效、稳健的小鼠心脏表型分析平台。其重要意义在于：首先，它解决了临床前心脏MRI研究中的两大核心痛点——通量和一致性，为大规模药物筛选和机制研究奠定了基础。其次，该平台具备发现“亚临床”病变的敏感性，尤其在对HFpEF发病至关重要的微血管功能障碍方面，有助于在出现不可逆的结构改变前早期干预。最后，所开发的CNN模型和成像方案具有高度的可重复性，有望成为领域内的新标准。

当然，作者也指出了研究的局限性，例如深度学习模型对图像采集参数的泛化能力有待在不同中心和疾病模型中进一步验证，并且未来可整合基于对比剂的细胞外容积（ECV）量化等技术，以更全面地评估心肌纤维化。尽管如此，这项工作无疑为解密HFpEF这一“冰山”之下的复杂机制提供了锐利的“探针”，将加速心血管疾病研究从表型描述向机制探索和治疗创新的跨越。