Nat Med：中国学者研究---利用人工智能心脏磁共振成像筛查和诊断心血管疾病

心血管疾病（CVDs）是全球主要死因之一，每年约有1790万人死于CVDs，占全球死亡人数的32%。其中，超过75%的CVD死亡发生在低收入和中等收入国家。尽管有多种方法可以用于诊断CVDs，但心脏磁共振成像（CMR）因其综合性、适用性和准确性而被视为评估心脏功能和诊断CVDs的黄金标准。然而，CMR的广泛应用受到CMR解读的时间成本、专业知识获取的限制以及医生短缺的影响。因此，自动化的CMR解读具有巨大的临床潜力，尤其是在快速筛查和诊断CVDs方面。

深度学习技术的出现为解读CMR数据提供了新的可能性。深度学习能够从原始输入图像和视频中学习独特特征，并识别运动模式，无需手工特征工程和大量数据预处理。与人类相比，深度学习算法具有明显的优势，能够同时分析所有图像和动态信息，提供更高效和客观的解决方案。

本文旨在开发和验证一种深度学习方法，用于自动化的CMR解读和诊断。该方法采用了两阶段的范式，模拟临床工作流程：首先使用非增强的心动磁共振成像（MRI）筛查异常，然后使用心动图和晚期钆增强（LGE）MRI作为联合输入进行CVDs的诊断。该方法在内部和外部数据集中表现出了高性能，并且在诊断肺动脉高压方面优于心脏病医生。这一研究为实现实时准确的CMR解读提供了新途径，也将CMR更广泛地应用于CVD筛查和诊断，从而为降低CVD的发病率和死亡率做出贡献。

在该研究中，我们提出了基于视频的Swin Transformer（VST）作为模型骨干，突出了其在模拟CMR序列方面的优势。我们还探讨了应该使用哪种成像模态（心动图或LGE）、视图（四腔或短轴）以及它们的聚合以获得最佳的分类性能。最后，我们将AI模型的性能与不同经验水平的CMR解读医生进行了比较，证明了自动化CMR解读的临床潜力。

综上所述，我们的研究为CVD筛查和诊断提供了一种新方法，有望显著提高CMR解读的效率和可伸缩性，从而改善CVD的筛查和诊断。

参考文献：

Wang YJ, Yang K, Wen Y, Wang P, Hu Y, Lai Y, Wang Y, Zhao K, Tang S, Zhang A, Zhan H, Lu M, Chen X, Yang S, Dong Z, Wang Y, Liu H, Zhao L, Huang L, Li Y, Wu L, Chen Z, Luo Y, Liu D, Zhao P, Lin K, Wu JC, Zhao S. Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging. Nat Med. 2024 May 13. doi: 10.1038/s41591-024-02971-2. Epub ahead of print. PMID: 38740996.