健心知著
2026.02.25
第525期
深度学习主动脉瓣狭窄进展指数的纵向验证
刘健、周海燕、孙宇彤
北京大学人民医院
健心荐语
主动脉瓣狭窄(Aortic stenosis，AS)是一种随年龄增长而持续进展的瓣膜疾病，及时的监测与干预对改善患者预后至关重要。尽管经胸超声心动图是诊断与随访的金标准，但其依赖多普勒血流参数，存在操作者依赖、参数不一致、低流速状态误判等局限性。近年来，基于深度学习的方法被探索用于主动脉瓣狭窄的自动化评估，部分研究已开发出仅依赖有限切面的影像评分系统。然而，这些研究大多局限于横断面诊断或基线预后分析，缺乏对评分系统随时间变化轨迹的系统性刻画，也未能明确其纵向变化是否与传统血流动力学进展相一致。
文章介绍
本研究是人工智能在心血管影像领域从“静态诊断”迈向“动态病程监测”的关键一步。研究团队基于前期开发的深度学习主动脉瓣狭窄连续指数，首次在大型纵向队列中系统验证了该指数随时间变化的轨迹及其与血流动力学进展的平行关系。研究不仅证实基线DLi-ASC可独立预测重度主动脉瓣狭窄的发生，更创新性地提出指数的年度变化率是独立于传统超声参数的风险分层因子。通过全队列与训练排除队列的双重验证、多重竞争风险模型与区间删失敏感性分析，该研究为深度学习指数作为非侵入性、可量化的数字生物标志物提供了坚实的方法学支撑，具有极高的临床转化潜力。该文于2026年1月正式发表于《Journal of the American Heart Association: Cardiovascular and Cerebrovascular Disease》。
研究方法
本研究采用回顾性队列设计，纳入来自两家韩国三级医院的2373例患者，共计7371次经胸超声心动图检查，中位随访时间为42.8个月。所有患者均在基线或随访期间被诊断为主动脉瓣狭窄，并至少接受两次超声检查。研究排除了基线已达重度狭窄、合并中重度反流或二尖瓣病变、以及超声参数分级不一致的患者。
深度学习指数由前期验证的三维卷积神经网络模型生成，输入为胸骨旁长轴与短轴切面，输出为0至100分的连续指数，所有超声影像均成功完成分析，无处理失败病例。为评估时间变化趋势，研究采用线性混合模型估计DLi-ASC及传统血流动力学参数的年度变化率，采用累积连接混合模型检验主动脉瓣狭窄分期随时间推移的序次变化趋势，并通过Pearson相关系数分析DLi-ASC与Vmax、mPG的相关性。预后分析采用Fine-Gray竞争风险模型，以全因死亡及因非主动脉瓣狭窄原因接受换瓣手术为竞争事件，分别评估基线DLi-ASC及其年度变化率对重度主动脉瓣狭窄进展的独立预测能力。在评估年度变化率的模型中，进一步将基线DLi-ASC作为协变量纳入调整。研究还设置训练排除队列进行平行分析，并通过剔除诊断前超声、采用区间删失Weibull模型等方式进行多重敏感性验证。
研究结果
研究显示，深度学习指数在长期随访中呈现持续上升趋势，且基线狭窄程度越重，上升速度越快。在全队列中，指数的年度变化率为1.11分，与传统主动脉瓣最大流速及平均压力梯度的年度变化率呈强正相关，相关系数分别为0.71与0.68。训练排除队列中结果高度一致。相关性分析进一步表明，深度学习指数与血流动力学参数在所有时间点的横断面相关性亦达到0.69与0.66，提示其能够稳定反映瓣膜狭窄的严重程度。在预后分析中，基线指数每增加10分，进展为重度主动脉瓣狭窄的风险增加2.38至2.80倍，该关联在调整传统血流参数后仍然显著。限制性立方样条显示，指数超过60分后风险曲线急剧上升。指数的年度变化率同样具有独立预测价值，每增加1分/年，风险增加2.39至3.88倍，年度变化率大于1.4分者的风险较小于1分者高出13至20倍。时依受试者工作特征曲线分析显示，基线指数对重度狭窄进展的判别能力在0.89至0.92之间。所有结果在训练排除队列及多重敏感性分析中保持稳健。
图1研究人群
表1 全部组群和排除培训组群的基线特征
图2 随访期间AS严重程度的时间进展
图3 不同基线AS严重程度类别DLi-ASc的时间趋势
图4 DLi-AS与AS常规血液动力学参数的关联
图5基线DLi-ASc及其与房室Vmax和mPG年化变化的关系mPG-平均压力梯度；Vmax-流速峰值
图6 DLi-ASc 年发病率与传统AS参数之间的关联
表2 不同调整策略下基线DLi-ASc对严重 AS 进展的预后价值
图7 按基线DLi-ASc及其年化变化分层的严重AS 进展累积发生率
表3 不同调整策略下DLi-ASc年化变化率对严重AS进展的预后价值
结 论
本研究首次系统证实，深度学习AS连续指数不仅在长期随访中随时间持续上升，且其上升轨迹与传统血流动力学进展高度一致。基线指数水平与指数年度变化率均独立于传统超声参数，与重度主动脉瓣狭窄的进展风险显著相关。该指数仅需胸骨旁长轴与短轴切面即可自动生成，无需多普勒测量，具备高度可扩展性与临床适用性。研究结果表明，这一深度学习指数可作为动态、量化、非侵入性的数字生物标志物，用于主动脉瓣狭窄的长期病程监测、风险分层与个体化随访策略制定，并在未来抗瓣膜钙化治疗的临床试验中具有作为替代终点的潜力。
讨论
本研究在既往横断面验证的基础上，将深度学习指数的应用场景从静态诊断拓展至纵向病程监测，填补了该领域系统性轨迹验证的空白。与近期发表的类似研究相比，本研究的核心差异在于两点：其一，不仅验证基线指数的预后价值，更首次将指数的时间变化率量化为年度进展速度，并证实其独立预测能力；其二，通过全队列与训练排除队列的双重设计，有效规避了数据泄露与过拟合风险，增强了结论的泛化能力。研究还发现，指数在短期间隔中出现下降的比例约为三分之一，多与图像质量、切面变异等因素相关，提示在实际应用中需结合多次测量趋势，而非单次波动。尽管研究设计严谨，仍存在若干局限。首先，超声检查基于临床指征而非标准化随访方案，可能导致随访间隔不均与选择性偏倚，虽采用线性混合模型与区间删失模型加以校正，仍无法完全替代前瞻性设计。其次，预后分析主要依赖流依赖性血流参数，未系统纳入主动脉瓣钙化积分等流不依赖性指标，未来可结合多模态影像进一步验证。此外，研究人群来自两家韩国三级医院，由心脏专科医师完成超声采集，其结论向基层医疗或非专科环境推广仍需额外验证。最后，尽管竞争风险模型已将死亡纳入考量，但冠状动脉事件作为重要的竞争结局未被系统记录，可能对风险估计产生一定影响。未来研究应在更广泛的人群中开展前瞻性、标准化随访验证，探索不同进展表型的轨迹聚类，并推动该指数向实时嵌入式超声设备转化，以实现临床应用的最终落地。