JACC. Cardiovascular imaging
HFpEF的多模态影像表型解析与诊断路径优化

小赛推荐：

该研究为HFpEF的非侵入性诊断与表型分型提供了系统性框架，强调结合运动负荷超声心动图、CMR及AI分析，对心血管疾病临床评估策略具有重要指导意义。

 

文献概述

本文《Understanding HFpEF Through Imaging: Strengths, Limitations, and Current State of the Art》, 发表于《JACC. Cardiovascular imaging》杂志，系统探讨了影像技术在心衰伴射血分数保留（HFpEF）诊断、表型识别与风险分层中的核心作用。研究强调，HFpEF并非单纯舒张功能障碍，而是多系统综合征，其血流动力学异常在静息时常不明显，需依赖运动负荷等应激状态揭示。作者提出以超声心动图为核心的贝叶斯诊断路径，并整合心脏磁共振（CMR）与人工智能（AI）技术以提升表型解析能力。

背景知识

1. HFpEF是心衰最常见的形式，占所有心衰病例的一半以上，其临床表现以劳力性呼吸困难为主，核心病理生理特征为静息或运动时肺动脉楔压（PAWP）升高所致的血流动力学充血。然而，传统基于静息舒张功能分级的诊断方法敏感性不足，导致大量患者被漏诊。

2. 目前LVDD（左室舒张功能障碍）的超声评估依赖e’、E/e’、TR速度等指标，但这些参数在肥胖、老年、房颤等常见HFpEF人群中特异性下降，且无法全面反映心房、肺血管及右心功能异常。此外，PAWP的无创替代指标仍缺乏标准化和广泛验证，限制了其在常规临床实践中的应用。

3. 本研究的切入点在于提出“表型感知”（phenotype-aware）的影像评估策略，强调需超越LVDD，整合左房功能（如LA应变）、肺动脉压-心输出量斜率（mPAP/CO）、运动时三尖瓣反流变化、肺淤血（如B线）等多维参数，并结合临床前验概率（如HFpEF-ABA评分），构建动态、个体化的诊断路径。同时，探索Ex-CMR与AI在提升诊断敏感性与机制解析中的潜力。

 

针对HFpEF的机制研究与药物开发，赛业生物提供全基因组人源化小鼠模型（如HUGO-GT®），可精准模拟人类基因调控与疾病表型，适用于基因治疗与小核酸药物的临床前评价。模型支持突变定制，是研究代谢、心血管及神经退行性疾病的理想工具。

了解更多

 

研究方法与核心实验

作者系统回顾了当前用于HFpEF评估的影像技术，重点分析了静息与运动负荷超声心动图、心脏磁共振（CMR）及AI辅助分析的应用。研究引用多项临床队列数据，包括侵入性血流动力学与影像结果的对照研究，验证现有指南推荐的超声指标（如2025 ASE算法）在真实世界中的局限性。通过典型案例（Case 1–8），展示了不同表型（如LA肌病、运动性肺高压、肥胖相关血容量扩张）在影像上的表现差异。

在方法层面，研究整合了心肺运动测试（CPET）与运动超声（echo），形成CPETecho联合评估方案，以同步获取气体交换、心功能与血流动力学参数。同时，综述了运动CMR（Ex-CMR）在估算PAWP、评估心肌储备（如MDI指数）、检测肺淤血与心肌能量代谢中的进展。此外，讨论了AI在图像重建、自动分析与表型聚类中的应用前景，强调需以侵入性测量作为“金标准”进行模型训练与验证。

关键结论与观点

• 超过60%经侵入性确诊的HFpEF患者在静息超声中被误判为正常舒张功能，凸显当前LVDD分级系统敏感性严重不足，亟需更敏感的无创工具。
• 运动时E/e’未升高但PAWP显著上升的病例表明，传统E/e’阈值无法可靠排除HFpEF，需结合TRV、肺动脉压斜率及LA应变等多参数综合判断。
• LA应变（尤其是储器应变≤18–24.5%）是预测PAWP升高的强有力指标，优于传统结构参数，且与HFpEF严重程度相关。
• mPAP/CO斜率>3 mmHg/L/min可提示运动性肺高血压，具有独立预后价值，支持其在风险分层中的应用。
• 肥胖相关HFpEF中，血容量扩张与心包限制导致LV充盈压升高，此时LVDD可能不显著，需关注LA容量与室间隔形态等间接征象。
• Ex-CMR可非侵入性估算PAWP、评估双心室容积储备及心肌能量代谢，为HFpEF提供机制性洞察，但需多中心验证其诊断准确性。
• AI模型若仅基于LVDD分级训练，将无法准确识别HFpEF，必须以侵入性PAWP为“真值”进行监督学习，才能提升临床实用性。

研究意义与展望

该研究为HFpEF的精准诊断提供了可操作的影像框架，强调从“单一参数”到“多维表型”的转变。未来药物开发应针对特定表型（如LA肌病、肺血管病、肥胖相关）进行分层试验，提升治疗响应率。

在临床监测中，CPETecho与Ex-CMR有望成为评估治疗反应的敏感终点，优于传统静息指标。此外，AI驱动的自动化分析将提升影像数据的可重复性与效率，推动个性化管理。

在疾病建模方面，动物模型需模拟人类HFpEF的多系统特征（如衰老、肥胖、炎症），并评估其在运动或容量负荷下的血流动力学反应，以更好模拟临床表型。结合CMR与分子探针，可实现机制验证与治疗靶点评估。

 

为加速心血管疾病药效评价，赛业生物提供标准化的大小鼠病理分析服务，涵盖组织采集、HE染色、免疫组化及多靶点蛋白表达检测。结合代谢与生理生化分析，可全面评估药物对心、肝、肾等器官的影响，支持IND申报。

了解更多

 

结语

本研究系统阐述了影像技术在HFpEF诊断与表型解析中的核心价值，提出以超声心动图为起点、结合临床前验概率的贝叶斯路径，并倡导整合运动负荷测试、多模态成像与AI分析。研究明确指出，仅依赖静息LVDD评估将遗漏多数HFpEF患者，必须转向动态、系统性评估。未来，Ex-CMR与AI有望成为无创诊断的有力补充，但需以侵入性血流动力学为基准进行标准化。从实验室到临床，该框架为HFpEF的个体化管理奠定了基础，推动从“排除诊断”向“机制驱动治疗”的转变。尤其在心血管疾病日益复杂的背景下，精准表型识别将成为优化患者照护的关键环节，助力实现精准医学目标。

 

Tomonari Harada, Jwan A Naser, Fahime Ghanbari, and Barry A Borlaug. Understanding HFpEF Through Imaging: Strengths, Limitations, and Current State of the Art. JACC. Cardiovascular imaging.