近期，西京医院杨剑教授团队在《European Heart Journal-Imaging Methods and Practice》发表论文《Precision TAVR Quantification— AI-accelerated TAVR Planning Reduces Assessment Time by 80% in Bicuspid Aortic Stenosis》，旨在开发并验证了一种基于深度学习（DL）的新型心脏多维分析算法，该算法用于评估二叶式主动脉瓣（BAV）人群的瓣叶表型、钙化负荷及主动脉根部形态特征。

一、研究背景

   二叶式主动脉瓣（BAV）是一种常见的先天性主动脉瓣畸形，其在人群中的发病率约为1.37%，在发展中国家可能更高。经导管主动脉瓣置换术（TAVR）已成为老年症状性重度主动脉瓣狭窄（AS）患者的主要治疗手段之一。手术的成功高度依赖于精确的术前测量。尽管如此，目前临床实践中仍缺乏针对二叶式主动脉瓣狭窄患者TAVR手术的精准测量系统。

术前测量数据的获取并不容易。基于现有指南标准，计算机断层扫描（CT）是术前影像测量的金标准。外科医生借助这些测量数据明确解剖特征、评估手术风险并制定手术方案。然而，由于影像后处理过程耗时且可能产生测量误差，要实现精准的术前评估无疑更具挑战性。随着人工智能技术的快速发展，DL在影像分割任务中展现出显著优势。近年来，DL在主动脉疾病领域的应用已成为研究热点，其技术优势为相关研究提供了强大支持。

然而，BAV患者常伴有瓣环椭圆化、不对称性瓣环钙化、瓣叶大小不一以及升主动脉扩张等复杂解剖特征，使得手术并发症发生风险增加。这些解剖结构特征所带来的复杂性对术前测量的精准度提出了极高要求。目前，针对不同BAV瓣叶表型、钙化程度及主动脉根部形态的精准评估体系尚未建立并得到验证。

本研究旨在开发并验证了一种基于DL的新型心脏多维分析算法（Cardioverse），该算法用于评估BAV患者的瓣叶表型、钙化负荷及主动脉根部形态特征。

  二、研究方法

   本研究是一项全国性多中心研究，研究纳入了2019年3月至2023年2月期间，来自中国16家医疗中心的1147例接受TAVR的连续BAV患者。研究队列被分为训练队列（n=600）、内部验证队列（n=437）和外部验证队列（n=110）。外部验证队列来自 3 家地理分布不同的高手术量医疗中心，这 3 家中心未参与训练队列的病例招募。确保了外部验证队列代表了全新的患者群体，从而减少了中心特异性偏倚。

纳入标准：年龄≥18岁接受TAVR治疗的患者，术前CT扫描确诊为BAV；术前CT图像质量良好（层厚≤1mm，无明显运动伪影或金属伪影）；具备完整的基线临床资料和超声心动图资料。

排除标准：既往接受过主动脉瓣介入治疗的患者；CT伪影严重无法进行准确测量的患者；经两名资深心血管影像医生评估后仍无法分类的BAV表型不确定患者；患有严重二尖瓣疾病或主动脉夹层需要紧急干预的患者。

所有患者均接受符合指南要求的术前CT检查，图像以DICOM格式存储。

算法的开发遵循五个步骤（图1）：1）基于UNet++架构进行主动脉根部关键解剖结构（如主动脉窦、左右冠状动脉开口等）的精准分割；2）提取主动脉至左心室的中心线；3）基于分割结果和中心线进行瓣叶识别与BAV表型（按Sievers分型：0型、1型、2型）分类；4）对窦部区域的钙化进行分割与分类（瓣叶钙化、嵴部钙化、瓣环周围钙化）；5）基于专家共识，自动定位并测量关键平面参数（如瓣环、窦管交界（STJ）、左心室流出道（LVOT）、升主动脉（AA）直径、左右冠脉高度（LCH/RCH）、主动脉角度及瓣环椭圆度等），并量化钙化负荷。并测量了瓣环平面、瓣环上4mm平面和瓣环上8mm平面，以确定主动脉根部形态。

研究通过Dice相似系数（DSC）、平均对称表面距离（ASSD）、Hausdorff-95%距离（HD-95%）等指标评估分割性能；通过Bland-Altman分析评估测量准确性；并详细记录了算法与资深专家在评估总时间、鼠标点击次数、鼠标移动距离等方面的效率差异。所有统计均经过错误发现率（FDR）校正，P<0.05被认为具有统计学意义。

  三、研究结果

   Cardioverse算法在BAV主动脉根部解剖结构分割上表现出色（补充表2）。在内部验证队列中，左冠瓣、右冠瓣、无冠瓣（排除0型BAV）、左冠脉开口（LCAO）和右冠脉开口（RCAO）的DSC为分别0.978、0.976、0.977、0.983、0.983。

对于钙化、瓣叶及嵴的分割，ASSD和HD-95%指标也显示出毫米级的高精度（图3B-3E，补充表3）。1型BAV的钙化、瓣叶及融合脊的ASSD分别为0.262mm、0.239mm与0.218mm；其HD-95%依次为0.756mm、0.677mm及0.583mm。值得注意的是，2型BAV融合脊的ASSD与HD-95%分别为0.237mm和0.597mm。在外部验证队列中进行了相似的验证，所得结果具有可比性。

在解剖测量方面，算法与资深观察者对瓣环、STJ、LVOT、AA直径、LCH、RCH、主动脉角度及瓣环椭圆度等所有关键参数测量的相关性系数（R）分别为0.94、0.93、0.96、0.95、0.98、0.98、0.99、0.91（P<0.001，图4）。

Cardioverse算法测量了主动脉根部不同部位的钙化体积。该算法与资深观察者在瓣上平面、瓣环平面及左室流出道平面的平均差异分别为18.36 mm³、23.85 mm³和3.77 mm³。在瓣叶、融合嵴及瓣环周围区域的测量平均差异分别为18.44 mm³、11.67 mm³和17.81 mm³（图5A–5F）。外部验证队列也显示出相似的结果。

值得注意的是，Cardioverse算法主要通过测量不同平面的平均直径来评估主动脉根部形态。在内部验证队列中，该算法与资深观察者对瓣上+4mm平面/瓣上+8mm平面、瓣环平面/瓣上+4mm平面以及瓣环平面/瓣上+8mm平面的测量结果R系数分别为0.98、0.97和0.98（所有P值均＜0.001，图5G-5I）。在外部验证队列中进行的类似验证也得出了一致的结果。

四、研究结论         

   Cardioverse算法在经导管主动脉瓣置换术（TAVR）领域实现了重要意义的技术进步——据我们所知，这是首批经过临床验证的人工智能解决方案之一，能够将复杂的二叶式主动脉瓣（BAV）评估从原本需要专家20分钟完成的任务，转化为不超过5分钟的自动化流程，且不损失评估准确性。这一突破直接解决了制约全球TAVR发展的关键瓶颈。

除提升效率外，该技术更实现了专业知识的普及化：通过标准化高质量的BAV评估流程，使不同医疗中心无论本地经验水平如何都能保持统一标准，有效减少观察者间差异，确保手术计划的一致性。该算法在所有BAV表型和钙化模式中均表现出稳健性能，使其成为下一代TAVR项目的重要工具。

展望未来，Cardioverse算法有望推动人工智能增强心血管介入治疗的发展。随着TAVR技术应用于更复杂的患者群体以及更多医疗中心开展该手术，此类自动化评估工具将在维持高质量医疗水准、满足日益增长的临床需求方面发挥关键作用。目前该技术融入常规临床工作流程的基础已经奠定，目标是通过更快速、更一致、更可及的专家级TAVR规划，改善患者预后。