人的视觉和认知是杂乱的，超声心动图医生经过肉眼剖析静态图画和动态视频，可笼统为以下进程:视网膜的光感受器将光信号吸收并转化为电化学信号，信号经过神经元网络传输至视神经，抵达大脑皮层和脑干后，这些信号将会整合到认识和潜认识感知中。
超声心动图医生往往需求数年的练习累积阅历，才干独立进行确诊。现在，超声心动图现已从二维读图发展为半定量评价，可是仍受限于人为差错以及手动剖析的耗时长。经过回忆、学习多达数十亿张的超声心动图图画，人工智能可以战胜这一问题，帮忙超声心动图医生进行治疗。本文介绍了人工智能的基本原理，论述人工智能在超声心动图中的运用，如主动剖析心腔容积与左室功用、瓣膜病变、心肌病确诊等。
人工智能（artificialintelligence，AI）可以仿照并逾越人类的学习和阅历，即在学习、处理某一问题的情形下，机器仿照人类的思想、认知，经过机器感知环境，进行丈量，最大极限地完结某个特定方针，进步功率。AI在日常日子中已有运用，比方天气预报、剖析金融市场、猜测用户购买倾向、依据用户喜爱引荐新闻、音乐等。机器学习是人工智能的一个组成部分，核算机从数据中学习完结任务，但一起却不供给核算机清晰的程序设定。依据用于学习样本彻底符号、部分符号或未符号，机器学习可分为监督学习、半监督学习和非监督学习等。经过样本练习找到适宜权重的进程便是机器学习。
机器学习的典型比如便是卷积神经网络（convolutionneuralnetwork，CNN），CNN由层状神经元衔接构成，仿照人脑经过不同的权重反映神经元之间的相互依靠联系。每个神经元承受多个输入信号，输入信号的总和激活神经元；被激活的神经元再输出信号，决议下一层神经元的状况，直至最终一层神经元输出感兴趣的值，做出分类决议计划或阈值预算等。可是，机器学习受限于核算才能和样本巨细。
跟着神经元数量的添加，学习进程的杂乱性和所需样本量添加。曩昔只能经过从原始数据中手艺提取特征来削减神经元的数量。现在，深度学习可以经过主动学习样本处理这一问题。深度学习仿照人类神经网络，选用多层神经元级联学习，经过组合多个非线性处理层对原始数据进行逐层笼统，从数据中取得不同层面的笼统特征，以此进行分类猜测。深度学习在语音辨认、图画辨认、药物活性预估等范畴中现已到达乃至超越人类水平。其长处在于，深度学惯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，代替了手艺获取特征。现在已呈现多种超声心动图软件包凭借AI技能，帮忙图画剖析，用于评价心脏结构、功用。
曩昔，三维超声心动图测定心腔容积、左心射血分数（leftventricularejectionfraction，LVEF）需求手艺描绘心内膜鸿沟，主观性强、耗时长，约束了三维超声容积丈量在临床中的运用。HeartModel（philipshealthcare，USA）是一种新的依据AI技能的主动化软件，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。
经过心电辨认左室舒张晚期，确认全体结构，依据运动剖析确认缩短晚期左室腔；结合三维超声心动图数据中的全体形状、曲率和体积，从数据会集挑选最佳匹配的模型；经习惯性调整，使模型部分习惯被检测者的容积。假如超声心动图医生对显现的概括不满意，可以手动修正修正。
Tsang等对159例患者进行研讨，运用Heartmodel主动剖析左心房、左心室容积和LVEF，成果发现该办法具有可行性，与金规范心脏磁共振数据相关性高（r=0.84，0.93，0.85），而且比全手动剖析耗时短（26±2）svs（144±32）s，（P＜0.001）。另一款依据AI技能的软件包（AutoLV，TomTec-arena1.2，TomTecImagingSystems，Germany）运用针对图画的机器学习算法，也能主动检测心内膜鸿沟。
Knackstedt等选用该软件包，针对多中心255名研讨目标进行研讨，选用软件全主动描绘剖析图画、输出LVEF，与超声心动图专家手艺描记心内膜概括、经过双平面Simpson法丈量的LVEF比较较，发现软件剖析和专家手动剖析的成果具有较好的一致性（ICC:图画质量较差组0.79，图画质量佳组0.83），软件取得LVEF仅耗时（8±1）s，还发现软件输出的左心室缩短晚期纵向应变（longitudinalstrain，LS）能反映左心室缩短功用（LVEF=2×LS+20，r=0.92，P＜0.001）。该研讨证明了AI全主动剖析左心室缩短功用的可行性、精确性。可见，AI技能能供给可重复的心腔结构、功用的定量丈量，可是，依据AI的图画剖析依然依靠图画质量；与金规范磁共振供给的心腔结构、功用的定量丈量有较好的相关性，但在容量评价时仍存在轻视；不同厂家的AI算法不同，无统一规范。
精确评价瓣膜结构是瓣膜病手术的要害。现在，实时三维超声心动图现已不依靠形状假定，能主动评价主动脉或二尖瓣病变，使瓣膜剖析可视化，可是，图画描绘剖析仍依靠于专业阅历，耗时长，需求很多的人力投入。智能解剖超声技能（anatomicalintelligenceultrasound，AIUS）以超声图画与医学解剖模型的大数据为根底，经过器官模型的树立和自习惯体系技能，使核算机能主动辨认安排解剖结构，并进行定量剖析。
Jin等回忆剖析了90例退行性二尖瓣脱垂（mitralvalveprolapse，MVP）患者的三维经食管超声材料，进行二尖瓣重建，以手术成果为金规范，成果发现，全手动剖析情况下，非专家（既往三维超声二尖瓣剖析＜10例）比较超声心动图专家（既往三维超声二尖瓣剖析＞500例）的精确性明显下降（83%vs95%，P＜0.001）；运用AIUS能明显进步非专家的精确性（从83%进步到89%，P=0.003），特别A3分区（从81%进步到94%，P=0.006）和P1分区（从78%进步到88%，P=0.001）的精确性，这可能与A3、P1分区的解剖变异度大、描绘困难有关；别的，运用AIUS能明显节约图画描绘剖析时刻〔专家剖析:（1.9±0.7）minvs（9.9±3.5）min，P＜0.0001；非专家剖析（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讨目标，别离运用二维五颜六色血流会聚法（two-dimensionalproximalisovelocitysurfacearea，PISA）和三维全容积五颜六色多普勒超声心动图（three-dimensionalfullvolumecolorDopplerechocardiography，3DE-FVCDE）评价主动脉瓣反流，以心脏磁共振成像为金规范，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）；一起，3D-FVCDE能评价偏疼反流及反流多束者，而2D-PISA无法评价这两类反流。因而，3DFVCDE能定量评价主动脉环和主动脉根部病变，进一步帮忙挑选经导管主动脉瓣置换瓣膜的巨细，削减与患者错配的概率。可见，AI技能帮忙评价瓣膜病具有可行性，削减了操作进程，一起大幅进步定量成果的精确性和重复性。
临床确诊是将不知道患者病况与曩昔典型病例联系起来的进程。这一进程也能经过AI完结。Sengupta等树立了一种联想回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驳追寻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例约束性心肌病患者进行辨别研讨，以手术病理为确诊金规范，发现联想回忆分类器运用斑驳盯梢超声心动图参数时的受试者作业特征曲线的曲线下面积（areaundercurve，AUC）为89.2%的，添加别的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进步到96.2%。
整合斑驳追寻超声心动图参数到机器学习模型这一技能也能区别运动员生理性左室肥壮与肥厚性心肌病。因而，AI机器学习运用于超声心动图确诊是可行的，能帮忙确诊。可是，AI技能中深度学习这一范畴的算法杂乱，非专业范畴人员难以了解，影响算法推行，需求核算机范畴与医疗范畴进一步协作。
综上所述，人工智能正在改动超声心动图的运用远景，在医疗印象范畴将会有更宽广的运用。多个供货商的软件程序已归入AI技能进行图画的主动化剖析，现在三维超声心动图和斑驳追寻的主动化显现了很高的可行性、精确性和重复性。别的，近来研讨人员运用AI对胎儿超声图画进行辨认检测，提示AI在胎儿超声心动图中也有运用远景。依据AI的超声心动图临床运用价值尚待进一步研讨。
来历：鲍圣芳,张玉奇.人工智能在超声心动图技能中的研讨进展[J].医学印象学杂志,2020,30(06):1098-1100.
