赵世华教授丨医疗AI时代:决策者不可替代,从业者需与时俱进

人工智能（AI）正在深刻改变心血管影像学的面貌。从X线胸片到心脏磁共振，AI已渗透到图像采集、自动分割、定量分析、疾病诊断乃至预后预测的每一个环节。正如业内那句广为流传的话：“AI won't replace radiologist, but radiologists who use AI may replace the ones who don't.” 本文将从五大影像模态出发，系统梳理AI在心血管疾病诊疗中的最新进展与临床赋能价值。

X线胸片：从结构评估到功能预测

胸部X线片是临床最基本的影像检查，但其对心脏结构和功能的评估能力有限。近年来，深度学习技术正在拓展其功能。

一项发表于《欧洲心脏杂志》的研究（Bhave et al.Eur Heart J.2024）构建了一种创新模型：以超声数据作为诊断标签，通过分析常规胸部X线片，实现了对左心室结构异常的准确判断。这意味着，一张普通的胸片就有可能提供以往只有超声才能获得的结构性信息。进一步基于对各类疾病影像特征的判断实现诊断，比如风湿性心脏病二尖瓣狭窄、先天性心脏病房间隔缺损等。

临床启示：AI赋能的胸片分析，有望成为基层医院和急诊场景中心功能筛查的新入口，让最基础的检查发挥更大的诊断价值。

心脏超声：从经验依赖到全自动量化

超声心动图是心血管影像的基石，但其操作依赖经验、测量存在变异。AI正在从根本上解决这些痛点。

Madani等（Madani et al.NPJ Digital Med.2018）利用深度学习模型，能够自动识别15种常见标准的超声心动图切面，为后续自动化测量奠定了基础。Ouyang等（Ouyang D, et al.Nature.2020）基于3D-CNN的深度学习视频分析模型，实现了左室容积和射血分数的全自动量化，结果与人工测量高度一致，为自动化报告铺平了道路。与此同时，Salte等（Salte et al.JACC Cardiovasc Imaging.2021）将AI应用于左室纵向应变（GLS）的全自动测量，为亚临床心肌功能障碍的评估提供了可重复的定量工具。最新的研究还在探索将超声图像与自然语言报告打通——视觉-语言基础模型的出现，有望实现“看图说话”，自动生成规范化的超声报告。

临床启示：AI正在将心脏超声从“经验依赖”推向“标准量化”，显著减少操作者之间的变异，提高诊断一致性。

冠状动脉CTA：从解剖狭窄到功能缺血

冠脉CTA是评估冠脉狭窄的一线无创手段，但单纯解剖狭窄与功能性心肌缺血之间常存在不匹配。AI正在弥合这一鸿沟。

代表性研究工作是，Zreik等（Zreik M, et al.Med Image Anal,2018,44:72-85.）在不直接观察冠脉解剖结构的情况下，仅通过静息CCTA图像中的左室心肌自动分析（无监督聚类结合SVM分类），即可判断冠状动脉是否存在功能性狭窄。这项研究证明，缺血心肌即使在静息状态下也会在影像上留下“痕迹”，而AI有能力捕捉这些肉眼无法察觉的微细征象。

2024年Nurmohamed等（JACC: Cardiovascular Imaging，2024）开发并验证了基于AI的定量冠脉CTA模型（AI-QCT），用于判断肇事血管对应的心肌缺血。该模型通过深度学习自动分析斑块性质与狭窄程度，再结合血流动力学模拟给出功能学评估。结果显示，AI-QCT对心肌缺血的判断效能与FFR-CT、PET和SPECT高度一致，实现了“一站式”解剖与功能评估。

临床启示：AI使冠脉CTA从“看狭窄”进阶为“看缺血”，有望减少有创FFR检查和核素心肌灌注显像的需求。

核医学：自动量化与预后预测

核素心肌灌注显像（SPECT/PET）是评估心肌缺血的金标准，但其图像解读和预后判断同样存在挑战。

Hajianfar等（Hajianfar et al.Eur J Nucl Med Mol Imaging.2025）构建了深度学习模型，可自动量化SPECT图像中放射性示踪剂的分布，实现对阻塞性冠心病及其受累血管分支的精确诊断。而Pieszko等（Pieszko et al.NPJ Digit Med.2023）则聚焦于预后：基于深度学习模型，预测冠心病患者在不同时间节点（如1年、2年、3年）发生主要不良心血管事件的概率，为个体化二级预防提供了量化的时间维度信息。

临床启示：AI将核医学图像从“定性或半定量”推向全自动定量分析，并为治疗决策提供预后预测，使每一份报告不仅有“现状”，还有“未来”。

心脏磁共振（CMR）：AI应用的最全面场景

CMR是心脏结构与功能评估的“金标准”，也是AI应用最为广泛的心血管影像领域。从图像采集到自动分割，再到疾病诊断与预后预测，AI几乎覆盖了全链条。

在图像采集与质控方面，Edalati等（Edalati et al.Med Phys.2022）指出，基于U-net和V-net结构的深度学习模型可自动完成CMR扫描切面规划，有效降低对操作者经验的依赖，简化扫描流程，缩短学习曲线。在自动分割与定量分析方面，Bai等（Bai et al.J Cardiovasc Magn Reson.2018）利用全卷积神经网络，实现了CMR图像中多腔室与心肌的自动精细分割。Augusto等（Augusto et al.The Lancet Digital Health.2020）进一步证明，机器学习模型自动测量肥厚型心肌病患者的心室壁厚度，多次测量的精度优于人工测量。

基于AI特征提取和强大的变量筛选能力与准确性，Motwani等（Motwani M,et al.Eur Heart J,2017.）完成了一项重要研究：纳入10,030名疑似冠心病患者及5年随访数据，评估25个临床和44个CCTA参数，采用信息增益排名的自动特征选择和集成算法框架构建模型。结果显示，机器学习预测全因死亡率的能力显著优于传统危险评分（如Framingham风险评分）或CCTA严重性评分。来自阜外医院的一项研究（Zhao Kankan,et al.JACC imaging10.2024.04.013）同样令人振奋：利用机器学习方法预测肥厚型心肌病患者的主要不良心血管事件，其预测效果显著优于目前国际上通用的HCM Risk模型。进一步赵世华教授团队利用Transformer模型，通过cine和LGE图像实现心脏疾病的自主分类诊断，准确率接近专家水平（nature medicine）。

在跨模态预后预测方面，Zhang等（Zhang et al.Radiology.2019）利用深度学习模型分析常规CMR电影序列，实现了慢性心肌梗死的检测、定位及梗死范围评估。Baessler等（Baessler B, et al.Radiology,2018.）通过影像组学方法在非增强CMR电影序列上提取纹理特征，构建逻辑回归模型诊断心肌梗死，取得了较高准确性——这提示未来部分患者或许无需注射对比剂即可完成心梗诊断。

临床启示：CMR是AI应用最全面、最深入的领域。从采集到报告、从诊断到预后，AI正在将CMR从“专家的工具”变为“人人可及的高精度平台”。

前沿展望：大型语言与视觉辅助系统

AI不仅在看图，还在“说话”。Li C等（Li C, et al.NeurIPS 2023.）开发的LLaVA-Med，是一个面向生物医学领域的大型语言与视觉辅助系统。该系统经历两个阶段的训练：第一阶段进行生物医学概念特征对齐，将大量新颖的生物医学视觉概念的图像特征与预训练语言模型中的文本嵌入对齐；第二阶段进行端到端指令调整，使模型能够按照各种指令以对话方式完成任务，最终演化成一个生物医学聊天机器人。LLaVA-Med可利用开源文献与GPT架构，将通用模型训练为医学大模型，实现自动报告生成及医生级咨询对话。

临床启示：不久的将来，影像医生可能只需要审核AI生成的初步报告，甚至可以通过对话式AI与图像进行交互，极大提升工作效率。

AI增强医生，而非替代医生

从X线胸片到超声、CT、核医学，再到CMR，AI已全面嵌入心血管影像的每一个环节。它不是要“替代”医生，而是在“增强”医生的能力——减少重复劳动、提高测量精度、挖掘隐藏特征、优化诊断流程。

对于心血管临床医生而言，了解AI的基本原理和最新进展，已不再是“锦上添花”，而是“雪中送炭”。未来的心血管影像，必然是人与AI协同的时代。而那句预言正在成为现实：AI不会取代影像医生，但会用AI的影像医生正在取代不会用的。

编辑丨杨坤

审核丨张广有

点击【阅读原文】可进入学术网站，了解更多学术信息。