心脏是一种特殊的肌肉，在封闭的腔室中有节奏地收缩以推动血液。但是，随着循环血流适应人体不断变化的新陈代谢需求1，这种泵功能全天都在波动。了解每个心跳的心脏泵运动的变化可能与解释心脏功能在健康和疾病中的复杂性有关。但是，检查此类更改的工具仍然不准确。欧阳等人“在”自然中写作。2报告了使用人工智能（AI）方法评估心脏超声视频并提供心脏泵功能连续，逐次测量的计算平台的开发。临床医生通常使用称为射血分数的值来评估心脏功能，射血分数是心脏收缩时被泵出的左心室（左心室）中血容量的百分比。在正常的心脏中，一半的血液被排出。因此，计算出的喷射分数大于50“”％。训练有素的医生可以打眼球跳动的心脏的超声视频循环，并精确估算射血分数3。但是，如果呈现了视频中的两个孤立的帧，仅显示了射血的开始和结束，那么即使是受过训练的医生也很难估计射血分数。鉴于每个人的培训和专业知识各不相同，因此不依赖眼球，并且通过在数字图像上描画左心室的边界以估算出射血开始和结束时的血容量来计算射血分数。建议4临床医生通过跟踪三到五次心跳来估算心脏的射血分数；但是，在典型的临床实践中，通常只评估一次心跳。如果可以通过一种简单的方法来跟踪和平均几次心跳来常规确定其精确值，从而提高射血分数估计的准确性，那么这将是非常有益的，特别是对于那些心跳跳动的人（这种情况称为心律失常）。如果发生心律不齐，心跳持续时间的改变会改变从左心室充血和排出的血液量，从而导致排出分数的变化（图1）。这种可变性使射血分数难以估计一种称为心房颤动的心律失常。预计5到2050年，这种情况将影响美国600万至1200万人，到2060年将影响欧洲的1790万人。此外，由于心力衰竭（心律失常），需要经常评估房颤患者的射血分数超过三分之一的此类人会因心脏的抽血能力差而出现这种情况6。超过一半的心力衰竭患者发生房颤6。为了开发一种基于AI的评估射血分数的方法，Ouyang等人。使用了10,030个心脏超声视频。这些视频与包含人类产生的描记的图像一起存储，这些描记在射血周期的开始和结束时标记了左心室的内边界。作者使用一种称为卷积神经网络（CNN）的AI架构，首先对基于像素的信息模式（分段）执行半自动检测，以识别视频帧中的左心室；第二，在心跳周期中跟踪心室的边界。使用CNN架构找到的左心室边界在超声图像是不是新的7，8，但创新之处在于Ouyang及其同事评估了三维CNN的新形式。这使他们能够将单个视频帧中2D显示器对左心室边界的识别（空间信息）与随时间的变化（时间信息）集成在一起，从而确定与运动的心脏边界有关的信息。3DCNN的形式已经在领域以前使用广泛，包括一般的视频分析9，10，人的身体活动的评估11和医疗成像12。但是，据我们所知，欧阳和同事的工作是采用这种方法分析如此大量视频中的心脏超声信息的首次尝试。在Ouyang“”及其同事使用视频数据训练了3DCNN之后，他们将AI生成的射血分数估计值与人类测量的射血分数进行了比较。他们的3DCNN方法估计了用于验证的两组不同数据的射血分数，平均误差分别为4.1％和6％。换句话说，平均而言，使用作者提出的3DCNN方法，估计射血分数分别在临床医生报告的相应射血分数测量值的95.9％和94％之内。这些报告的AI错误显着低于先前使用CNN估计射血分数7的尝试中所报告的AI错误，并且完全在经验丰富的临床医生之间的射血分数测量的观察者间差异内3。欧阳等。然后测试了另外55名患者，由2位超声专家分别评估了他们的心跳视频。作者发现，当比较每个人的人为和AI产生的射血分数估计值的变异性时，3DCNN方法产生的结果在两次记录的测量结果之间记录的射血分数变异性最小。此外，使用3DCNN所获得的结果在不同的超声机器上以及在不同场合进行的测量中都极为一致。这些结果还表明，在开发用于测量心脏功能的系统时，评估心脏壁运动的动力学至关重要。应该探索在此研究基础上未来可能开展的工作的几种途径。减少总体计算负担的努力将受到欢迎，因此该技术可以在超声波检查期间廉价且即时地执行。欧阳和同事的方法每个视频帧需要0.05秒，他们报告这比人类专家的估计速度要快。但是，这还不如实时快，实时每视频帧...
