基于深度学习模型的新生儿肺动脉高压超声心动图自动检测研究

　　本研究针对新生儿肺动脉高压(PH)诊断依赖耗时且需专业经验的超声心动图评估问题，开发了一种基于深度学习模型的自动检测方法。研究利用收缩期偏心指数(Els)作为金标准标签，通过空间与时空卷积神经网络分析多标准切面视频，实现了高达0.96的AUROC值，显著提升诊断效率与准确性。该模型通过显著性图谱聚焦空间隔等关键区域，增强临床可解释性，为早期非侵入性PH筛查提供可扩展工具。

　　

在新生儿重症监护领域，肺动脉高压(Pulmonary Hypertension, PH)始终是悬在临床医生心头的一把利剑——它显著增加患儿的病死率与并发症风险，却又因诊断过程高度依赖专业医师的主观经验与耗时的手动评估而难以实现早期、大规模的精准筛查。传统超声心动图虽是非侵入性诊断的首选工具，但其评估需测量多项参数（如M型超声、多普勒技术等），尤其依赖操作者熟练度，在医疗资源不均的地区极易造成诊断延迟。更棘手的是，新生儿与婴幼儿心脏结构小、心率快，其PH的病理表现（如空间隔扁平化、左右心室压力变化导致的心室形态改变）动态而细微，肉眼判读难免存在主观差异。

为解决这一临床痛点，由Holger Michel及Ece Ozkan等跨国团队开展了一项创新研究，他们首次将深度学习技术与超声心动图视频分析相结合，以收缩期偏心指数(Eccentricity Index, Els)这一经过临床验证的定量参数作为模型训练的金标准，构建了一套可自动检测新生儿PH的人工智能系统。该研究论文已发表于《Pediatric Research》，为儿科心血管疾病的人工智能辅助诊断树立了新的里程碑。

研究团队采用了几项关键技术方法：首先，他们回顾性收集了2018–2022年间单中心获得的1353段超声视频，涵盖五类标准切面（包括PSAX-P、A4C、PLAX等），并依据Els值（PH组Els <0.82，健康组Els ≥0.87）对样本进行标注；其次，对视频进行预处理（裁剪、归一化、直方图均衡等）与数据增强；随后，分别构建以ResNet-18为骨干的2D-CNN（空间卷积）和3D-CNN（时空卷积）模型，从视频片段中提取特征；最后，通过多视图多数投票机制整合预测结果，并利用梯度加权类激活映射(Grad-CAM)生成显著性图谱以增强模型可解释性。

研究结果

数据集的构建与基线特征

研究共纳入199例训练验证集和77例独立测试集患儿。患儿中位胎龄为31⁺⁶周，中位扫描日龄为8天。经Els标注后，训练集中116例为健康，69例为PH；测试集中57例健康，18例为PH。PH病因涵盖PPHN（持续性新生儿肺动脉高压）、先天性心脏病及发育性肺病。

单视图与多视图性能比较

在验证集中，PSAX-P切面（胸骨旁短轴切面）表现最佳，时空卷积模型的AUROC达0.94，F1分数0.92。多视图融合（MV-3：结合PSAX-P、PLAX和A4C）进一步提升性能，AUROC升至0.96，平衡准确率达0.94。在独立测试集中，PSAX-P单视图仍保持最高AUROC（0.93），多视图融合后AUROC为0.90，显示出良好的泛化能力。

空间与时空方法对比

时空(3D-CNN)与空间(2D-CNN)方法在多数指标上表现相近，表明仅依靠空间特征已可实现高效PH检测，而时空模型未显着优势。这在资源有限的临床场景中尤为有利。

模型可解释性分析

通过Grad-CAM生成的显著性图谱显示，模型决策依赖区域与临床病理特征高度吻合：在PSAX-P视图中，模型重点关注空间隔(IVS)及左心室(LV)形态变化；在PLAX视图中，则额外聚焦左心房(LA)与主动脉根区域，反映PH导致的心房充盈改变与主动脉比例变化。

研究结论与意义

本研究成功开发出一套基于深度学习的新生儿PH自动检测系统，其核心优势在于：

1. 1.

   高精度与鲁棒性：模型在内部验证与独立测试中均表现出色（AUROC最高达0.96），且在多中心数据差异下仍保持稳定；

2. 2.

   多视图融合提升性能：结合多个标准切面可弥补单一切面的局限性，显著提高分类置信度；

3. 3.

   临床可解释性强：通过显著性图谱直观展示模型关注区域，增强医生对AI决策的信任；

4. 4.

   以Els为金标准：选用具有预后关联的定量参数作为标签，使模型输出更具临床意义。

该研究不仅填补了婴幼儿PHAI辅助诊断领域的空白，也为未来开发集成更多 echocardiographic parameters（如多普勒参数、肺动脉结构测量）的智能系统奠定基础。尽管当前模型尚未应用于Els“灰区”（0.82–0.87）病例，且数据来源限于单中心、单设备，其潜力已显而易见——它可部署于超声设备实现实时筛查，减轻医生工作负荷，尤其适用于资源匮乏地区。下一步需扩大数据集覆盖不同年龄、病因及设备型号，进一步验证临床适用性，并探索其在PH严重程度分层及治疗响应预测中的价值。