声学指数：一种基于超声心动图的心脏病风险分层的新型AI驱动参数
机器学习
2025-07-21 v1 人工智能
摘要
传统的超声心动图参数，如射血分数（EF）和整体纵向应变（GLS），在早期检测心功能不全方面存在局限性。尽管存在潜在病理，EF通常仍保持正常，而GLS受负荷条件和供应商差异的影响。对于能够捕捉细微和整体心脏功能改变的可重复、可解释且不依赖操作者的参数的需求日益增长。我们引入了声学指数，这是一种新颖的AI衍生超声心动图参数，旨在从标准超声视图中量化心功能不全。该模型结合了基于Koopman算子理论的扩展动态模态分解（EDMD）与融合了临床元数据的混合神经网络。从超声心动图序列中提取时空动态以识别连贯的运动模式。这些模式通过注意力机制进行加权，并使用流形学习与临床数据融合，产生一个从0（低风险）到1（高风险）的连续评分。在一个包含736名患者（涵盖各种心脏病理和正常对照）的前瞻性队列中，声学指数在独立测试集上达到了0.89的曲线下面积（AUC）。五折交叉验证证实了模型的稳健性，表明在独立数据上评估时，敏感性和特异性均超过0.8。基于阈值的分析显示了敏感性和特异性之间稳定的权衡，在该阈值附近达到最佳区分度。声学指数代表了一种基于物理信息、可解释的心脏功能AI生物标志物。它有望成为一种可扩展、不依赖供应商的工具，用于早期检测、分诊和纵向监测。未来的方向包括外部验证、纵向研究以及适应于疾病特异性分类器。
引用
@article{arxiv.2507.13542,
title = {Acoustic Index: A Novel AI-Driven Parameter for Cardiac Disease Risk Stratification Using Echocardiography},
author = {Beka Begiashvili and Carlos J. Fernandez-Candel and Matías Pérez Paredes},
journal= {arXiv preprint arXiv:2507.13542},
year = {2025}
}