编辑推荐：
先天性心脏病（CHD）是常见先天异常，胎儿超声心动图诊断受多种因素制约。研究人员开发 HeartAssist，评估其对胎儿心脏视图分类、结构标注和参数测量的可行性。结果显示其分类准确率达 99.4%，标注和测量也表现良好，有助于提高 CHD 产前检测率。
先天性心脏病（Congenital Heart Disease，CHD）作为全球范围内最常见的先天性异常，严重威胁着婴儿的健康，是导致婴儿发病和死亡的重要原因之一。准确的产前诊断对于改善新生儿预后、为家长提供有效咨询至关重要，而胎儿超声心动图是诊断 CHD 的主要方法。然而，在实际操作中，胎儿心脏的超声检查面临诸多挑战。胎儿心脏体积小，解剖结构显示不清晰；胎儿的活动以及探头的相对移动，使得获取稳定清晰的图像困难重重；快速的心跳也增加了检查的难度；此外，对比伪影干扰成像，部分检查人员专业经验不足，这些因素共同导致 CHD 产前检测率参差不齐，延长了获取清晰图像的时间，还容易造成漏诊。
为了解决这些难题，来自韩国济州国立大学医院妇产科、蔚山大学医学院附属峨山医疗中心妇产科以及三星麦迪逊公司 AI 与信息学小组的研究人员，共同开展了一项关于胎儿心脏评估工具的研究。他们开发了一款名为 HeartAssist 的新型自动化工具，旨在实现胎儿心脏视图的分类、心脏结构的标注以及心脏参数的测量。该研究成果发表在《Scientific Reports》上，为胎儿心脏筛查带来了新的希望。
在这项研究中，研究人员运用了多种关键技术方法。首先是数据采集，他们收集了 2016 年 1 月至 2018 年 10 月在峨山医疗中心的胎儿数据，涵盖单胎和多胎妊娠，孕周在 20 - 40 周之间。使用 WS80A 或 HERA W10 超声设备及相关经腹探头进行超声评估。其次是模型开发，HeartAssist 基于 Vision Transformer（ViT）和卷积神经网络（CNNs）构建分类和分割模型。ViT 用于图像分类，利用其在自然语言处理领域验证过的优势，如可扩展性等；CNNs 用于分割，以更好地捕捉精细的解剖结构。此外，通过数据增强技术，如 CutMix、MixUp 等，提高模型的性能和泛化能力。最后，运用多种统计分析方法评估模型性能，包括计算召回率、精确率、F1 评分和准确率等。
研究结果主要从以下几个方面展开：
- 分类模型性能：研究人员收集了 65,324 张胎儿超声心动图图像，其中 61,277 张用于训练，4,047 张用于验证。HeartAssist 对心脏图像的自动分类平均准确率达到 99.4%，所有心脏视图的召回率、精确率和 F1 评分分别为 0.931、0.950 和 0.939。
- 标注准确性：在对心脏结构的标注方面，HeartAssist 表现出色，整体标注准确率达到 98.4%。在四腔心视图（4CV）、左心室流出道视图（LVOTV）和右心室流出道视图（RVOTV）等视图中的标注结果尤为准确。
- 测量分析结果：共 37,981 张图像用于测量训练和验证。除降主动脉直径外，大多数心脏参数的自动测量成功率超过 90%。所有心脏参数的平均误差率为 7.624%，平均卡尺相似度为 0.613。面积和周长测量的 Dice 相似系数（DSC）显示出良好的结果。
研究结论和讨论部分表明，HeartAssist 具有重要意义。它打破了以往 AI 工具仅专注于分类的局限，将分类、标注和测量集成于一体，能对胎儿心脏进行全面评估。而且基于大量数据训练，模型具有较高的稳健性和潜在临床适用性。不过，该研究也存在一定的局限性，如部分心脏参数自动测量的准确性有待提高，图像采集多为回顾性，存在心脏周期相位确定困难的问题，且研究数据来自单一中心，设备也来自单一制造商，影响了研究结果的广泛适用性。
尽管如此，HeartAssist 的出现仍是胎儿心脏筛查领域的重要突破。它为经验不足的检查人员提供了有力支持，有助于减少人为因素导致的诊断差异，有望显著提高 CHD 的产前检测率，进而改善围产期结局，为胎儿心脏健康保驾护航。随着技术的不断发展和完善，相信 HeartAssist 将在未来的临床实践中发挥更大的作用，推动胎儿心脏疾病诊断和治疗的进步。
