《Scientific Reports》：AI–assisted multimodal assessment for right ventricular function from echocardiography predicts mortality in patients with pulmonary hypertension and right heart failure
编辑推荐：
本研究针对肺动脉高压(PH)合并右心衰(RHF)患者死亡率预测难题，开发了一种基于人工智能(AI)的多模态深度学习框架。研究人员整合临床变量、常规超声参数和AI提取的右心室应变特征，通过对586例患者数据的分析，证实该模型能显著提升死亡率预测准确率(AUC=0.823)，为临床风险分层提供高效新工具。
在心血管疾病领域，肺动脉高压(Pulmonary Hypertension, PH)就像一位悄无声息的"隐形杀手"，它通过多种病理机制导致肺动脉压力异常升高，最终引发右心室衰竭(Right Heart Failure, RHF)。这种疾病预后极差，准确评估患者风险成为临床决策的关键难点。传统超声心动图虽能评估右心室功能，但其复杂几何形态和不对称收缩模式使得常规参数如三尖瓣环收缩期位移(TAPSE)和面积变化分数(FAC)的测量既依赖操作者经验，又存在较大变异性。
面对这一挑战，由Han Mou和Guang-An Liu领衔的研究团队开创性地将人工智能技术与多模态数据融合相结合，在《Scientific Reports》发表了具有重要意义的研究成果。团队开发的多模态神经网络(Multimodal Neural Network, MMN)框架，能够同时处理来自单一心动周期的三类数据：右心室应变曲线、多普勒频谱图像和超声视频序列，通过跨模态注意力机制实现信息互补，最终实现对PH合并RHF患者死亡率的精准预测。
关键技术方法
研究纳入2013-2024年间苏州两家医疗中心的586例PH合并RHF患者，随机分为训练集(410例)、验证集(117例)和测试集(59例)。采用专门设计的1D、2D和3D残差网络分别处理应变曲线、多普勒图像和超声视频，通过跨模态注意力机制实现特征融合。所有患者均接受经胸超声心动图(TTE)和右心导管检查(RHC)，平均随访54个月。
研究结果
基线特征显示死亡风险规律
死亡组患者更年轻(58.9±7.1岁 vs 62.3±9.1岁)，收缩压更低(97.6±8.1 mmHg vs 104.3±12.3 mmHg)，NT-proBNP水平显著更高(5912.9±1517.2 pg/mL vs 5103.5±1180.9 pg/mL)。波生坦使用率在死亡组更高(25.2% vs 16.2%)，可能反映该组病情更重。
超声参数揭示功能差异
死亡组肺动脉收缩压(PASP)显著更高(75.8±11.2 mmHg vs 64.3±9.4 mmHg)，平均右心室纵向应变(RVLS)绝对值更小(-16.9±3.8% vs -20.3±4.1%)，提示应变值越差死亡风险越高。各节段应变分析显示室间隔中部、右室游离壁基底段、中间段和心尖段应变值在死亡组均显著恶化。
血流动力学参数验证严重程度
右心导管数据证实死亡组PASP(72.1±14.7 mmHg vs 62.7±12.1 mmHg)和平均肺动脉压(mPAP)(43.6±8.1 mmHg vs 38.7±8.3 mmHg)均显著更高，与超声结果一致。
多因素分析确认预测因子
logistic回归显示TTE测得的PASP(OR=1.204)、RHC测得的PASP(OR=1.198)和平均RVLS(OR=1.479)是院内死亡的独立预测因子。Cox回归证实平均RVLS(HR=1.346)是长期死亡的独立预测因子。
AI模型展现卓越性能
MMN模型在测试集表现优异：AUC达0.823，灵敏度79.1%，特异度84.5%。与传统参数相比，MMN的预测性能显著优于平均RVLS(AUC=0.809)、TTE测PASP(AUC=0.781)和RHC测PASP(AUC=0.761)。
效率提升凸显临床价值
AI模型完成RVLS评估仅需4.1±0.7分钟，远低于超声医师所需的20.3±3.0分钟，在保证准确性的同时大幅提升工作效率。
研究结论与意义
该研究首次开发了基于深度学习的多模态超声心动图框架用于PH合并RHF患者的死亡率预测。通过整合临床数据、常规超声参数和AI提取的应变特征，模型在测试集达到0.823的AUC值，显著优于传统指标。选择平均RVLS而非右室游离壁应变(RVFWLS)作为主要参数，有效避免了因右室扩张导致的图像丢失问题，确保全队列数据可用性。
研究创新性地采用跨模态注意力机制，使模型能够动态对齐应变、多普勒和视频特征中的互补信息，捕捉人眼难以识别的微妙模式。这种AI辅助方法不仅提升风险分层准确性，还将评估时间缩短80%，为临床决策提供高效支持。
尽管存在回顾性研究的局限性，如患者异质性和单中心数据来源，但这项研究为AI在心血管影像预后预测中的应用树立了新标杆。未来通过多中心外部验证和标准化图像采集协议的优化，这一技术有望成为PH患者个体化管理的核心工具，最终改善这一高危人群的临床结局。
