基于无创胸骨上窝激光多普勒测振法自动测量左室射血时间（Left Ventricular Ejection Time, LVET）

《Scientific Reports》：Automated measurement of left ventricular ejection time via contactless suprasternal notch laser vibrometry

　　

摘要：左室射血时间（Left Ventricular Ejection Time, LVET）是早期心功能异常的敏感指标，但其在一线人群筛查中的常规应用受限于超声心动图等依赖操作者的检查方式耗时且操作复杂。本研究提出一种可扩展的无创方法，利用瞄准胸骨上窝（Suprasternal Notch, SSN）的激光多普勒测振法（Laser Doppler Vibrometry, LDV）信号捕获血流动力学事件，无需物理传感器接触。研究人员在238例受试者队列中证实，这种快速、零准备的测量所得LVET值与脉冲波多普勒超声心动图（pulsed-wave Doppler echocardiography）具有统计学等效性（25 ms范围内一致）。此外，探索性临床分析显示，主动脉反流及狭窄患者的LDV衍生LVET指数（LVET Index, LVETI）较低风险对照组显著延长，证明了该测量的临床可行性。为消除专家判读的瓶颈，研究人员开发并验证了一种深度学习模型，可自动提取LVET且精度较高（平均绝对误差8.08 ms）。结合简便的LDV数据采集与自动化分析，该方法有望实现快速、不依赖操作者的心血管评估，可促进人群水平筛查及心血管健康管理。

论文解读：基于无创胸骨上窝激光多普勒测振法自动测量左室射血时间（LVET）

《Scientific Reports》刊载的此项研究针对目前左室射血时间（Left Ventricular Ejection Time, LVET）——即主动脉瓣开放至关闭的时间间隔，作为左室性能变化的敏感无创指标——在临床一线大规模筛查中难以推广的问题（传统金标准脉冲波多普勒超声心动图需专业超声技师且耗时长，周围动脉波形法如光电容积脉搏波（Photoplethysmography, PPG）或 seismocardiography（Seismocardiography, SCG）需接触式传感器贴附），提出并验证了一种将激光多普勒测振法（Laser Doppler Vibrometry, LDV）探头对准胸骨上窝（Suprasternal Notch, SSN）以获取中心血流动力学振动信号，并结合深度学习自动提取LVET的完整方案。研究人员在691名受试者的队列（其中238人同步接受超声心动图检查）中证明SSN–LDV测得的LVET与超声心动图参考值在±25 ms等价界值内一致，且自动深度学习模型提取LVET的平均绝对误差（Mean Absolute Error, MAE）仅为8.08 ms；SSN–LDV衍生的LVET指数（LVET Index, LVETI，经心率校正并区分性别）在主动脉狭窄（Aortic Stenosis, AS）及主动脉反流（Aortic Insufficiency / Regurgitation, AI）患者中较健康低风险对照显著延长，符合已知病理生理学改变。该研究首次将SSN解剖窗口联合LDV高保真非接触振动测量用于LVET估算，并为后续从同一信号中提取更多心血管参数奠定了基础。

主要关键技术方法

研究人员在瑞典斯德哥尔摩Neko健康扫描门诊及心血管高危邀请人群中招募691名受试者（男409／女282，年龄50±14岁），其中238名因心血管风险增高或疑诊瓣膜病加行GE Vivid E95脉冲波多普勒超声心动图检查获取LVOT（Left Ventricular Outflow Tract, 左室流出道）处LVET金标准值，并与同日平卧静息态下同步采集的SSN–LDV信号（Polytech VibroGo?便携式激光测振仪，4000 Hz采样60 s）及单导联心电图（Electrocardiogram, ECG, ADInstruments Dual Bio Amp FE232，4000 Hz同步记录）比对。原始速度信号积分得位移（ssn_disp），微分得加速度（ssn_acc），经去趋势、0.5–200 Hz带通滤波并降采样至500 Hz。LVET手动标注以脉搏波起点（反映主动脉瓣开放）至重搏切迹（dicrotic notch，反映主动脉瓣关闭）的时差计算；LVETI按Alhakak等提出的性别特异性公式校正心率（男性：LVETI = 1.38×HR + LVET；女性：LVETI = 1.51×HR + LVET）。为自动化，研究人员以RR间期分段SSN信号（位移＋加速度双通道输入），采用适配一维信号的ConvNeXt卷积神经网络架构配拉普拉斯分布概率头回归起点与重搏切迹时间点，以Laplace负对数似然为损失函数训练，并按年龄性别分层切分训练集（501人／2260个心跳样本）与测试集（190人／790个心跳样本）防数据泄露。低风险对照组由168名无心血管危险因素者构成，AS与AI组分别取自超声确诊的至少轻度主动脉狭窄（n=8，均为男）及主动脉反流（n=37，男24／女13）。

研究结果

LVET measurements comparison（LVET测量结果比较）

研究人员对238例同步行SSN–LDV与超声心动图者的配对LVET进行Bland–Altman分析及等价检验（TOST，Δ=±25 ms）。SSN–LDV所得LVET均值304±21 ms，超声参考值309±25 ms，均差?4.75 ms（SD 19 ms），平均百分误差4.93％；Pearson相关系数r=0.67（p<0.001）。TOST检验证实两法在±25 ms内统计等价（p<0.05），表明SSN–LDV可替代传统接触或超声方式获得等效LVET。

LVET index measurements comparison（LVET指数测量结果比较）

经心率及性别校正的LVETI在男女亚组中SSN–LDV与超声比较：男性SSN–LVETI 387±16 ms vs 超声392±18 ms（均差?5.24 ms，SD 17.85 ms，MAPE 3.42％）；女性SSN–LVETI 408±18 ms vs 超声414±19 ms（均差?6.67 ms，SD 17.17 ms，MAPE 3.29％）。虽Wilcoxon / 配对t检验示组间差异具统计学意义（p<0.05），但偏差小且误差在临床可接受范围，证明SSN–LDV可得可靠的LVETI。

LVET analysis（LVET分析）

对全队列691例SSN–LDV衍生LVET分析显示女性LVET（305±21 ms）显著长于男性（293±22 ms）（Mann–Whitney U, p<0.001, r_rb=0.32），与文献一致；Spearman分析示LVET与年龄呈弱但显著正相关（r_s=0.19, p=1.79×10^?7），反映增龄相关生理变化。

LVETI as predictor for aortic valve pathology（LVETI作为主动脉瓣膜病变预测因子）

低风险对照男性LVETI 374±16 ms、女性397±13 ms。主动脉狭窄男性LVETI 391±12 ms，主动脉反流男性386±11 ms、女性411±21 ms，均较同性别人群低风险对照显著延长（Mann–Whitney U, p<0.05）。贝叶斯估计示AI男性LVETI高于对照概率P(δ_μ>0)=1.0，AI女性P=0.972，AS男性P=0.994，支持SSN–LDV衍生LVETI可识别瓣膜病变相关的射血时间延长。

Automatic LVET estimation（自动LVET估算）

所建1D?ConvNeXt概率回归模型在测试集上LVET估算MAE=8.08 ms，起点与重搏切迹MAE分别为4.31 ms与4.52 ms，区间交并比（Intersection?over?Union, IoU）均值97％，预期校准误差（Expected Calibration Error, ECE）低，优于均值回归器与加速度峰值检测基线。Grad?CAM可视化显示模型关注区域与专家标注的脉搏波起始段峰值及二次加速度峰（重搏切迹对应）一致。模型在各亚组（含不同年龄、心血管危险分层）表现稳定，仅在>65岁及高SCORE2亚组略有性能下降。

讨论（总结）

研究人员指出，本工作首次证明SSN处LDV信号与超声心动图测LVET在±25 ms内等价，且深度学习可自动高精度提取，消除人工标注依赖。与需接触探头的PPG、SCG及需专业操作的超声不同，LDV–SSN为无标记、无接触、"瞄准即测"流程，适合初筛分诊（triage），可将异常LVET/I者转诊详查超声以优化资源。局限性含LDV硬件成本、目前仅提取单一参数、肥胖致SSN表面振动衰减可能影响信号质量、AS与AI样本偏小、测量非严格同时（同日序贯）、队列以高加索人为主且>70岁例数少，未来需在更广泛异质人群中验证并拓展表征学习直接从原始波形回归心血管风险。结论为：SSN靶向激光多普勒测振法联合自动深度学习可从无创振动信号中准确获取LVET及LVETI，与临床金标准等价，且在主动脉瓣膜病患者中呈现预期病理性延长，具备作为快速、不依赖操作者的人群心血管初筛工具的潜力。