编辑推荐：
为解决主动脉瓣狭窄（AS）评估难题，研究人员开展基于深度学习（DL）评估 AS 的研究。通过回顾真实病例发现，DL 衍生的 DLi-ASc 可辅助 AS 评估，虽不能替代传统方法，但能提供补充信息，有助于临床决策。
在心血管疾病的诊疗领域，主动脉瓣狭窄（Aortic Stenosis，AS）是一种常见且棘手的心脏瓣膜疾病。传统上，对 AS 的评估主要依赖手动测量超声心动图数据，不仅耗费时间和精力，还容易受到人为因素的影响，导致评估结果的准确性和一致性欠佳。随着人工智能（Artificial Intelligence，AI）技术的蓬勃发展，其在医疗领域的应用日益广泛，为 AS 评估带来了新的曙光。然而，此前基于 AI 的研究大多聚焦于技术验证，对于如何将这些技术更好地应用于临床实践，帮助医生做出更精准的决策，仍缺乏深入探索。在此背景下，来自首尔国立大学盆唐医院心血管中心等机构的研究人员开展了一项极具意义的研究，相关成果发表在《Journal of Cardiovascular Imaging》上。
该研究主要运用了深度学习（Deep Learning，DL）技术。研究人员使用大型多中心数据集开发了基于 DL 的 AS 评估算法，并在内部和两个独立外部队列中进行验证。算法采用 3 维卷积神经网络（r2plus1d18）分析经胸超声心动图（Transthoracic Echocardiography，TTE）视频数据，生成 DLi-ASc（用于反映 AS 严重程度的分数，范围 0 - 100） 。
研究结果主要通过回顾性选取的一系列 AS 病例来呈现：
- 确诊严重 AS 病例：一位 86 岁患有多种基础疾病的男性患者，TTE 显示其多项传统多普勒参数均表明为严重 AS，DLi-ASc 为 99，进一步支持诊断。这表明 DLi-ASc 可作为辅助工具，助力早期识别高风险 AS 病例。
- 矛盾性低流量、低梯度 AS 病例：83 岁女性患者，传统 TTE 检查结果存在矛盾，无法明确 AS 严重程度。而 DLi-ASc 为 70，接近或略高于严重 AS 的临界值。说明 DLi-ASc 可辅助识别可能被低估的 AS 严重程度，提示需进一步评估12。
- 因左心室流出道梗阻高估 AS 严重程度病例：69 岁女性患者初诊为严重 AS，复查时发现存在左心室流出道（Left Ventricular Outflow Tract，LVOT）梗阻。DLi-ASc 为 56，与中度 AS 相符。表明 DLi-ASc 可在确诊严重 AS 和手术治疗前，辅助进行血流动力学评估34。
- 房颤时低估 AS 严重程度病例：85 岁患有房颤的女性患者，首次 TTE 诊断为中度 AS，但 DLi-ASc 为 68 接近严重 AS 阈值。再次检查确诊为严重 AS。说明 DLi-ASc 在复杂血流动力学情况下，可辅助评估 AS 严重程度56。
研究结论和讨论部分指出，DLi-ASc 为 AS 严重程度评估提供了一种新的 AI 方法，它介于自动量化和专家视觉分析之间，能辅助筛查 AS 和识别不一致病例，支持临床决策。但 DLi-ASc 应作为补充工具，而非独立诊断方法。未来还需在不同临床环境中进一步前瞻性验证，探索其在实时超声心动图工作流程中的应用，明确影响 DLi-ASc 预测的因素，融入可解释 AI 技术等，以提升 AI 驱动工具在超声心动图中的稳健性和临床接受度，最终改善患者预后。这项研究为心血管疾病的精准诊疗提供了新的思路和方法，具有重要的临床意义和应用前景。
