《JACC: Advances》：Accuracy of a Deep Learning Model in Intracardiac Echocardiography
编辑推荐：
背景：心内超声心动图（Intracardiac Echocardiography, ICE）广泛用于电生理及结构性心脏病介入手术，但其图像解读依赖术者经验且缺乏标准化切面。尽管人工智能（Artificial Intelligence, AI）已逐步应用于经胸及
背景：心内超声心动图（Intracardiac Echocardiography, ICE）广泛用于电生理及结构性心脏病介入手术，但其图像解读依赖术者经验且缺乏标准化切面。尽管人工智能（Artificial Intelligence, AI）已逐步应用于经胸及经食管超声心动图，其在ICE中的应用仍十分有限。目的：本研究旨在开发并评估Auto-Contour——一种用于ICE解剖结构多类别语义分割（Semantic Segmentation）的深度学习流程，并评估其用于实时手术指导的可行性。方法：在这项回顾性多中心研究中，研究人员分析了来自249例患者的249台手术的5496段去标识化ICE动态影像（cine loops，含常规临床病例及ViewFlex? X首次人体研究），由ICE专家将每段影像归类于20种标准手术切面之一，并在收缩末期及舒张末期对左心房（Left Atrium, LA）、左心耳（Left Atrial Appendage, LAA）、肺静脉开口（Pulmonary Vein Ostia, PV）、瓣膜、瓣叶、乳头肌及左心室（Left Ventricle, LV）等关键解剖结构进行标注，共获得65117次分割标注。研究人员采用患者层面数据拆分、标准数据增强及早停法训练深度学习分割模型。结果：较大心腔的分割性能最优，左心房Dice相似系数为0.94，左心室为0.82，相应第95百分位豪斯多夫距离（95th-percentile Hausdorff Distance, HD95）分别为1.18 mm和3.27 mm。较小结构亦显示可接受性能，包括左心耳、肺静脉、乳头肌及主动脉窦。平均单帧推理时间＜0.03秒。结论：Auto-Contour对ICE解剖结构实现了稳健的多结构分割并具备实时推理能力，支持未来对AI辅助ICE在手术标准化、效率提升及安全性方面的前瞻性评估。
《JACC: Advances》刊载论文解读：Auto-Contour深度学习模型对心内超声心动图(Intracardiac Echocardiography, ICE)多解剖结构的实时语义分割验证研究
一、研究背景与立题依据
心内超声心动图（Intracardiac Echocardiography, ICE）是一种从心腔内获取实时高分辨率超声图像的成像方式，在房性/室性心律失常导管消融、房间隔缺损封堵、左心耳封堵等介入电生理及结构性心脏病手术中具有重要价值，可减少透视辐射并常免去全身麻醉。然而，ICE的有效运用高度依赖操作者的导管操控能力与图像解读经验，且不同于经胸超声心动图（Transthoracic Echocardiography, TTE）或经食管超声心动图（Transesophageal Echocardiography, TEE），ICE至今缺乏公认的规范化标准切面，术者需在二维影像中"脑补"三维心脏解剖，导致图像获取与解读存在明显个体差异，影响手术质量的一致性。尽管AI已成功应用于TTE和TEE的自动测量与分割，针对ICE的AI研究几近空白，主要受制于ICE影像临床留存率低、高质量标注数据集稀缺及多中心协作难度大。鉴于此，研究人员开展本研究，旨在开发并验证名为Auto-Contour的深度学习语义分割流程，对ICE二维影像中多个关键心脏解剖结构进行自动标注，并评估其准确性和实时处理能力，为AI辅助ICE标准化解读及与三维电解剖标测系统整合奠定基础。
二、主要关键技术方法概述
研究人员开展回顾性多中心研究，纳入来自两家数据源（常规临床Abbott ViewFlex ICE及ViewFlex X首次人体研究NCT06772493）共249例患者的5496段去标识化ICE DICOM动态影像（约65%为常规临床，35%为首次人体研究），排除含导管显示的帧。由≥5年经验的ICE专家将每段cine归类为20种预设手术切面（如右房"Home"切面、房间隔穿刺切面、LA切面、各肺静脉开口切面、LAA切面、二尖瓣及主动脉瓣切面等），并在收缩末/舒张末对左心房（LA）、左心耳（LAA）、左右上下肺静脉开口（PV ostia）、二尖瓣（Mitral Valve, MV）、主动脉瓣（Aortic Valve, AV）及瓣叶（非冠状、右冠、左冠窦）、左心室（LV）、乳头肌（Papillary Muscles, PMs——前外侧及后内侧）进行手工描记，总计65117次标注，并经双人核对及资深专家仲裁。数据按患者水平分层拆分（约80%训练，20%验证/测试），确保同患者数据不跨组。模型采用预训练于TTE分割任务的U-Net风格语义分割网络，输入重采样至256×256像素，以广义Dice focal loss（Generalized Dice Focal Loss）为损失函数，AdamW优化器（初始学习率0.001，权重衰减1×10-5），采用早停法及基于验证集最佳Dice系数的模型检查点保存。性能评估指标为Dice相似系数（Dice Similarity Coefficient, DSC）和第95百分位豪斯多夫距离（95th-percentile Hausdorff Distance, HD95，单位mm，依据DICOM像素间距换算），并按解剖结构汇总中位数及四分位距（IQR）。
三、研究结果
Segmentation accuracy（分割准确性）
模型在主要心腔表现出优异分割一致性：左心房（LA）中位Dice为0.937 [IQR 0.906–0.954]，HD95为1.18 [0.79–1.92] mm；左心室（LV）中位Dice为0.822 [0.762–0.873]，HD95为3.27 [2.36–4.28] mm。较小及形态复杂结构亦具临床可接受性能：左心耳（LAA）Dice中位0.785 [0.659–0.852]，HD95 1.81 mm；肺静脉开口整体Dice约0.78（右肺下静脉0.807，右肺上0.795，左肺下0.766，左肺上0.752），HD95约1.44 mm；主动脉窦（Aortic Cusps）Dice 0.828 [0.747–0.890]，HD95 0.81 mm；主动脉瓣口Dice 0.907；二尖瓣口Dice 0.722；前外侧乳头肌Dice 0.688，后内侧乳头肌Dice 0.709。大多数结构Dice标准差窄（0.05–0.10），表明跨病例稳定性良好。即便在表现相对较低的细小结构上，模型仍可正确定位目标结构，偏差主要限于边缘细微差异。
Hausdorff distance（边界距离评估）
大结构边界误差极小，LA的HD95仅1.18 mm；LAA为1.81 mm；肺静脉聚合HD95为1.44 mm；瓣膜结构与乳头肌聚合HD分别为约0.99–1.55 mm及1.73–2.04 mm，反映预测轮廓与专家手工轮廓间最大表面点距控制在亚厘米至数毫米级。
Overall model performance（总体模型表现）
测试集中多数结构Dice接近或超过0.80，LA超过0.90，达到与专家标注高度一致的水平。较小不规则结构（LAA、PV开口）Dice在0.75–0.79区间，与文献报道超声分割的人为观察者间变异相当。LV及瓣结构分别达Dice 0.822（LV）、0.907（AV）、0.722（MV）。总体表明深度学习方法可在ICE领域近似专家级解读能力。
Processing speed and prospective integration（处理速度与前向整合可行性）
在现代GPU上Auto-Contour单帧推理时间＜0.03秒，满足≥30帧/秒标准ICE帧率下的实时叠加显示要求。结合带磁定位传感器的ViewFlex X导管与EnSite X标测系统，可将AI预测分割轮廓配准导管位姿信息，实现左房、左室等三维解剖壳（3D Anatomical Shell）的动态重建，验证了AI分割与电解剖标测系统实时融合并用于术中导航的技术可行性。
四、讨论与结论总结
研究人员指出，本研究是较早对ICE影像开展全面多结构帧级语义分割验证的工作。Auto-Contour在LA达到Dice 0.94、LV 0.82，LAA及PV开口分别约0.79和0.78，乳头肌0.70，主动脉窦0.83，且具备＜0.03秒/帧实时性能，说明高质量标注数据驱动下深度网络可泛化至ICE这一具挑战性的超声模态。相比既往CartoSound等基于ICE sweep的三维左房壳重建但未做逐帧分割验证的研究，Auto-Contour提供了量化验证的多结构分割及与三维标测整合的框架。作者承认局限性包括：当前训练验证仅基于单一厂商（Abbott ViewFlex系列）ICE影像，泛化至其他平台（如Siemens AcuNav）需微调；评估基于二维独立帧分割未强制帧间时空一致性；乳头肌及主动脉窦评估例数偏少；金标准为专家人工标注本身存变异且未正式量化观察者间变异；未与计算机断层扫描（Computed Tomography, CT）解剖作独立对照。未来拟在前瞻性临床试验中嵌入Auto-Contour实时运行，评估其对手术成像时间、总手术时长、透视用量及术者认知负荷的影响，并探索扩展至三维时序模型、导管尖端检测及并发症（如蒸汽爆裂微气泡）识别。
结论（翻译）：
Auto-Contour在对侵入性心脏手术中ICE影像进行准确、实时的多结构解剖分割方面表现良好。通过自动化解剖轮廓勾画，该方法有望降低ICE对操作者经验的依赖，提高手术一致性，并支持与三维电解剖标测系统的整合。未来研究应评估其在真实临床工作流程中的实时部署情况、对手术效率和临床结局的影响，以及在经前瞻性临床验证后拓展至更广泛AI辅助术中成像应用的可能性。
