背景：

二尖瓣反流（Mitral Regurgitation, MR）是一种常见的心脏瓣膜疾病，发生时二尖瓣无法完全关闭，导致血液在心脏的左心房和左心室之间反流。这种病症若不及时诊断和治疗，可能引发心力衰竭、心律失常和其他严重的心血管并发症。MR的诊断通常依赖于超声心动图，特别是彩色多普勒超声图像的评估，以确定反流的严重程度。传统的诊断过程需要心脏病专家通过手动分析超声心动图来判断MR的存在和程度，这不仅费时费力，还可能因人为因素导致诊断结果的不一致。因此，开发一种能够自动检测MR的工具，尤其是在大规模医疗数据中识别具有临床意义的中度或重度MR，具有重要的临床意义。

方法：

本研究旨在开发并验证一种全自动深度学习流程，以从经胸超声心动图（Transthoracic Echocardiograms, TTE）中识别具有彩色多普勒信息的心尖四腔视图视频，并检测具有临床意义的中度或重度MR。研究使用了来自Cedars-Sinai医学中心的58,614例TTE研究，共包含2,587,538段视频。首先，研究团队开发了一个自动化流程，该流程能够识别包含二尖瓣彩色多普勒信息的心尖四腔视图视频，然后评估MR的严重程度。为了验证模型的性能，研究团队在Cedars-Sinai医学中心的1,800例研究（共80,833段视频）组成的内部测试集中进行了测试，并在来自Stanford Healthcare的915例研究（共46,890段视频）组成的外部验证集中进行评估。

结果：

在Cedars-Sinai医学中心的内部测试集中，视图分类器表现出了极高的准确性，其曲线下面积（AUC）达到0.998（95%置信区间为0.998-0.999）。该分类器成功识别出3,539段超声心动图视频中包含二尖瓣彩色多普勒信息的3,452段视频，显示出较高的灵敏度（0.975，95%置信区间为0.968-0.982）和特异性（0.999，95%置信区间为0.999-0.999）。在外部验证集中，模型同样表现出卓越的性能，成功识别出1,055段手动筛选视频中具有二尖瓣彩色多普勒信息的1,051段，灵敏度为0.996（95%置信区间为0.990-1.000），特异性为0.999（95%置信区间为0.999-0.999）。

在检测MR严重程度方面，模型同样表现出色。在Cedars-Sinai医学中心的测试集中，检测中度或更严重MR的AUC为0.916（95%置信区间为0.899-0.932），检测重度MR的AUC为0.934（95%置信区间为0.913-0.953）。在Stanford Healthcare的外部验证集中，模型检测中度或更严重MR的AUC为0.951（95%置信区间为0.924-0.973），检测重度MR的AUC为0.969（95%置信区间为0.946-0.987）。

结论：

本研究开发了一种新型的自动化深度学习流程，用于从完整的经胸超声心动图研究中识别和评估二尖瓣反流的严重程度。该自动化流程在多个机构的测试和验证中表现出卓越的性能，不仅能准确识别具有彩色多普勒信息的心尖四腔视图视频，还能高效检测出中度及以上严重程度的MR。这一创新方法展示了其在大规模医疗数据中的应用潜力，有望为二尖瓣反流的筛查和监测提供自动化解决方案，从而减轻临床医生的负担，提高诊断效率，并推动心血管疾病的早期发现和治疗。未来，随着更多数据的积累和模型的进一步优化，自动化MR检测工具有望在临床实践中得到广泛应用，并为改善患者预后做出重要贡献。

原始出处：

Vrudhula A, Duffy G, Vukadinovic M, Liang D, Cheng S, Ouyang D. High-Throughput Deep Learning Detection of Mitral Regurgitation. Circulation. 2024 Aug 12. doi: 10.1161/CIRCULATIONAHA.124.069047. Epub ahead of print. PMID: 39129623.