医学影像AI如何让心脏射血分数测得更准？左心室自动分割参数测量及其2.7万患者预后验证

心脏射血分数（left-ventricular ejection fraction，LVEF）是心脏功能最关键的"守门员"参数——它衡量左心室每次收缩能把多少血液泵出去，直接决定心衰患者要不要加药、该不该装心脏再同步起搏器或植入式除颤器（ICD）、手术风险多大，以及化疗期间要不要紧盯心脏。但这个参数一直有个尴尬：它靠医生在心脏 MRI 上手工勾画左心室轮廓来算，既慢又不稳定——不同医生的勾画习惯不同（心肌小梁、乳头肌算不算进血池，35%、50% 这类阈值附近的"凑整偏好"），会让同一个患者的射血分数出现可重复却真实的差异。2026 年 11 月 2 日，英国伦敦城市大学圣乔治分校与伦敦大学学院（UCL）团队在《The Lancet Digital Health》发表了迄今同类规模最大的回顾性多中心预后研究：用深度学习对 27,382 名患者的心脏 MRI 自动分割左心室并测量射血分数，随访中位 5.6 年、记录 3,458 例死亡后发现——AI 测出的射血分数对全因死亡的预测能力不仅不输医生，还略胜一筹（一致性指数 C-index 0.669 对 0.637），耗时却从医生平均约 13 分钟压缩到每例 2-3 秒。

研究背景：心脏射血分数为什么"测不准"？

射血分数这个参数本身并不复杂，难在测量的可重复性。

• 心脏 MRI 是测量心室容积和功能的金标准，但它的推广受限于图像分析耗时、且依赖专科经验——仅英国每年就有约 12 万例心脏 MRI；
• 医生手工勾画左心室心内膜、心外膜轮廓时，是否把心肌小梁、乳头肌计入血池，以及阈值附近的凑整偏好，都会带来系统性的个体差异；
• 这些微小差异看似不起眼，却可能改变治疗路径——因为射血分数正是心衰治疗、植入装置、血运重建和手术风险评估的决策门槛。

于是，“能否用 AI 把这一个关键参数测得更一致、更快"就成了心脏影像里最实际的课题之一。

创新点：AI 如何让左心室分割与参数测量更一致？

这项研究的核心，不是发明一个更花哨的网络，而是把 AI 的”一致性“放到预后这个硬终点上去检验。

• 一镜到底自动测量：研究采用一款左心室分割深度学习系统（1CMR 软件，英国利物浦 MycardiumAI），跨不同厂商机型、不同临床情形自动勾画左心室，全程不做人工后修正；
• 拿预后做裁判：不是比 AI 和医生"勾得谁更接近彼此”，而是比谁测出的射血分数更能预测患者未来的死亡风险——这是最能体现临床价值的判据；
• 规模最大：27,382 名连续患者（中位年龄 56 岁、62% 为男性），来自英国和美国，覆盖梗阻性冠心病（4,933 例）、非缺血性心肌病（2,198 例）、肥厚型心肌病（1,611 例）等多种病因。

一句话，它把"医学图像分割 + 参数测量"从展示精度，推进到了"能不能帮助医生更好地判断生死"。

技术原理：左心室自动分割 → 射血分数测量

方法链路很直接：深度学习先在心脏 MRI 上分割出左心室的心内膜与心外膜轮廓，再按辛普森法（Simpson’s method）等标准公式，把轮廓所围体积换算成射血分数。

• 关键不在网络本身，而在跨机型、跨病种的稳健性——模型被设计成能适应不同扫描仪厂商和临床采集条件的差异；
• 研究把 AI 与原始临床报告中记录的经验医生测量值做对照，而不是重新组织多读者盲读，因此更贴近真实日常流程；
• 一个耐人寻味的发现是：AI 测出的射血分数在平均上系统性偏低，作者认为这主要来自它对心肌小梁、乳头肌等解剖细节的处理更一致、更规范。

也就是说，AI 的价值不体现在"数值更高"，而体现在"每次都一样"。

数据说话：2.7 万患者、5.6 年随访的预后对比

在随访中位 5.6 年里，27,382 名患者中有 3,458 人（13%）死亡。研究者用一致性指数（C-index）衡量"谁更能把高风险和低风险患者分开"。

结果传递两层信号。第一，AI 略胜一筹，但"差得很小"。 射血分数无论由 AI 还是医生测量都能预测死亡，但 AI 的预测在统计上显著更准；校正年龄、性别后 C-index 为 0.781 对 0.777，优势只有 0.004——作者也坦承这是"边际"的。第二，速度优势悬殊。 AI 每例 2-3 秒，此前同团队的研究显示专家手工分析一例约需 13 分钟。更关键的是：把 AI 测量值加进医生测量值后，模型性能明显提升；反过来，往 AI 值里再加医生值，只带来轻微改善——说明 AI 已经抓住了大部分医生测量所包含的信息。

关于安全性：AI 在患者层面的错误率约 1%，仅影响 0.08% 的图像，但研究者仍强调医生必须在完整临床语境中核验结果、判读影像。

应用前景与局限

这项研究支持把 AI 作为心脏 MRI 射血分数测量的"一线工具"，医生在需要时再做专家复核，有望在不牺牲质量的前提下大幅减轻影像分析的负担——面对持续增长的心脏影像需求和人力压力，这尤其有吸引力。

局限同样要讲清楚。第一，这是回顾性研究，对照的是原始临床报告而非多读者标准化重读，反映的是关联、而非"用了 AI 患者就活得更好"的因果；第二，优势幅度小，未校正 C-index 仅 0.669 对 0.637，校正后差 0.004，临床意义需在更大样本、前瞻性研究中验证；第三，结果依赖具体软件与扫描协议，换到其他工具、其他人群仍需独立验证。研究团队下一步计划把心脏 MRI 的 AI 测量与心电图（ECG）等其他检查结合，争取更早发现心肌问题、提前干预。

结论

心脏射血分数这个"守门员"参数，测得准不准、稳不稳，直接关系到心衰患者的治疗决策。这项来自 UCL 与圣乔治的 2.7 万人研究用预后这一硬终点证明：AI 左心室自动分割所测的射血分数，对死亡风险的预测能力不仅不输医生、还略胜一筹，而且快到每例 2-3 秒。它最有价值的结论不是"AI 赢了医生"，而是"一致性 + 速度"让 AI 有资格成为心脏 MRI 参数测量的一线工具——前提是医生仍在完整临床语境中把关。接下来要过的关，是前瞻性研究证明这条 AI-first 流程能真正改善治疗决策、工作负担与患者结局。

论文原文信息地址：https://www.simomia.com/blog/2026-11-06-ai-cardiac-mri-ejection-fraction-mortality/

参考文献

1. Joy G, et al. Performance of artificial intelligence versus clinician left-ventricular segmentation of cardiac MRI for mortality prediction: a retrospective, multicentre, prognostic study. The Lancet Digital Health. 2026. DOI: 10.1016/j.landig.2026.101042
2. Bai W, et al. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks. Journal of Cardiovascular Magnetic Resonance. 2018. DOI: 10.1186/s12968-018-0471-x

相关问题 FAQ

医学影像AI怎么做，才能既准又稳地测量心脏功能参数？

关键在"一致性"而非"数值更高"。这项研究的思路很有代表性：用深度学习对心脏 MRI 的左心室做自动分割，再把轮廓换算成射血分数，并把测量值放到"能否预测死亡风险"这个硬终点上去检验。结果显示 AI 测出的射血分数预测死亡的能力略胜医生（C-index 0.669 对 0.637），且因为对心肌小梁、乳头肌等解剖细节处理更规范，AI 的测量更稳定、更可重复——这正是心脏参数测量最需要的品质。

左心室分割和射血分数测量是什么关系？

左心室分割是射血分数测量的前提。医学图像分割先把左心室的心内膜、心外膜轮廓逐像素勾画出来，然后才能按辛普森法等公式，把轮廓所围体积换算成"每次收缩泵出多少血液"的射血分数。分割得越准、越稳，射血分数就越可信。AI 的价值正在于用统一的深度学习模型，跨机型、跨病种地自动完成这一步，避免了人工勾画带来的个体差异。

AI 测射血分数只比医生强一点点，这还有意义吗？

有意义，而且恰恰是意义所在。射血分数是决定心衰用药、植入装置、手术风险的门槛参数，哪怕测量再准一点点、再快一点，放到每年数以万计的心脏 MRI 患者身上，累积影响就很可观。这项研究里，AI 把单例耗时从约 13 分钟压到 2-3 秒，且错误率仅约 1%，说明它更可能成为"一线工具"，让医生把时间省下来用于判读和决策——而不是机械地勾轮廓。