2023年5月17日，来自加州大学旧金山分校和加拿大蒙特利尔心脏研究所的研究人员宣布，他们开发了一种基于深度神经网络的人工智能技术，可以从冠状动脉造影视频中预测心脏泵功能，减少对侵入性的左心室造影的需要。
AI自动评估冠脉造影
据统计，冠心病是全球成年人死亡的首要原因。作为诊断冠心病的标准程序，无论是药物处方还是冠状动脉搭桥手术，冠状动脉造影对所有相关的临床选择都有重大影响。
当患者因为可能致命的急性冠状动脉综合征（ACS）而接受冠状动脉造影时，测量左心室射血分数（LVEF）就显得尤为重要，因为它可以影响临床决策和治疗方案。左心室是心脏的主要泵送部分，评估该室的射血分数可以反映每次收缩时有多少血液离开心脏。
目前，要测量冠状动脉造影期间的LVEF，需要进行一种额外的侵入性程序，即左心室造影，这需要将导管插入左心室并注入造影剂。这种程序不仅增加了对比剂暴露，还带来了额外的风险。
现在，研究人员开发了一种用于冠状动脉造影自动评估的人工智能技术，以降低风险并最大限度地减少侵入性检测的需要。
深度神经网络预测心脏泵功能
为了检验一种人工智能算法——深度神经网络（DNN）是否能够从冠状动脉造影视频中预测心脏泵功能，加州大学旧金山分校（San Francisco, CA, USA）和蒙特利尔心脏研究所（Montreal, Canada）的研究人员开展了一项新的研究。
他们开发并测试了一个名为CathEF的深度神经网络，它可以从左冠状动脉的标准造影视频中估算左心室射血分数（LVEF）。
此外，研究者们对3679名UCSF患者的4042例成人造影与相应的经胸超声心动图（TTEs）进行了匹配，并在此数据上进行了一项横断面研究。他们还训练了一个基于视频的神经网络，用于估计低于或等于40%的LVEF，并从标准造影视频中预测LVEF百分比。
研究结果显示，CathEF能够准确地预测LVEF，并与常规的非侵入性临床方法——超声心动图LVEF测量值呈强相关性。该模型在真实世界的造影中也得到了外部验证，证明了其在不同的患者人口和临床条件下的良好表现。这对于那些不太适合进行标准的左心室造影程序的患者群体，如急性冠状动脉综合征和肾功能不全的患者，具有重要意义。
为了进一步测试这种算法在护理点的应用，并评估其对心脏梗死患者临床工作流程的影响，研究人员已经启动了一项多中心前瞻性验证研究。该研究将在ACS患者中比较CathEF和左心室造影与ACS后7天内进行的TTEs之间的表现。
这项研究表明，人工智能技术有潜力减少侵入性检测的需要，并提高心脏科医生的诊断能力，最终改善患者的预后和生活质量。
除了CathEF算法外，还有其他一些人工智能技术用于自动化冠状动脉造影图像分析，例如用于帧选择、分割、病变评估和冠状动脉流量功能评估的机器学习模型。
