Circulation
多任务深度学习模型EchoAI-Peds实现小儿超声心动图的自动化分析

小赛推荐：

该研究为儿科心脏病的智能诊断提供了可扩展的多任务框架，尤其对复杂先天性心脏病的筛查流程具有直接优化价值。

 

文献概述

本文《A Multitask Deep Learning Model for Pediatric Echocardiography Analysis》，发表于《Circulation》杂志，系统探讨了如何利用多任务深度学习模型EchoAI-Peds，从完整的儿科超声心动图视频中自动检测28种先天性心脏病、结构与功能异常、修复及干预措施。与现有单任务或特定视角模型相比，该研究整合了多视角信息，实现了更全面、更贴近临床实践的分析。研究基于超过12,000例儿科超声心动图研究，涵盖超过70万段视频，是迄今为止最全面的儿科标签数据集之一。模型在内部和外部测试集中均表现出优异性能，显著优于基于成人数据训练的基础模型。

背景知识

先天性心脏病（CHD）影响全球约1%的新生儿，是出生缺陷中最常见的类型。准确诊断CHD在儿科患者中尤为困难，原因包括持续的生长变化、复杂的术后解剖结构以及患者配合度低。目前，超声心动图是评估和随访的主要手段，但其解读高度依赖专家经验，且存在观察者间变异，导致诊断延迟。尽管深度学习在成人超声心动图分析中取得进展，但现有儿科模型多局限于单一任务或特定视角，临床实用性受限。此外，成人模型难以泛化至儿科人群，因两者在心率、解剖变异和疾病谱上存在显著差异。因此，亟需专门针对儿科人群设计的、能处理多视频、多任务的深度学习模型。本研究的切入点在于构建一个端到端的多任务模型，利用大规模、多视角的儿科超声数据，通过视频级视觉变换器架构，实现对多种CHD相关病理的联合检测，从而提升诊断效率与一致性。

 

专业的小儿心脏病研究需可靠动物模型支持。赛业生物提供HUGO-GT®全基因组人源化小鼠模型，可精准模拟人类基因调控，适用于脊髓性肌萎缩症、阿尔茨海默病等罕见病研究，助力基因治疗药物开发。模型保留完整基因组序列，支持原位基因替换，是更贴近真实生物机制的临床前研究工具。

了解更多

 

研究方法与核心实验

作者开发了一个基于视频的多尺度视觉变换器（MViTv2）模型，命名为EchoAI-Peds，用于从完整的儿科超声心动图研究中进行多任务预测。模型输入为多个视频中随机采样的16帧片段，输出为28个临床发现的二元预测。训练数据来自斯坦福医学中心（SM）的10,815例研究（年龄中位数8岁），验证集为1,294例，内部测试集为1,336例。外部测试集来自费城儿童医院（CHOP），包含2,121例研究（2024–2025年），用于评估模型泛化能力。临床标签通过大型语言模型MedGemma 27B从结构化报告中自动提取，确保了标签的可扩展性和准确性。模型训练采用Kinetics预训练权重，并最小化多标签二元交叉熵损失。在推理阶段，采用多视频、多片段策略：从每段视频中随机采样最多四个16帧片段，先对同一视频内的片段预测取平均，再对所有视频的预测取平均，生成最终研究级预测。

关键结论与观点

• 在内部测试集中，EchoAI-Peds的宏平均AUROC为0.91（95% CI: 0.90–0.92），表明其在检测CHD、结构/功能异常及手术修复方面具有高度判别能力，为后续开发多中心、多任务儿科心脏病AI模型提供了性能基准。
• 在外部测试集上，模型AUROC为0.89（95% CI: 0.88–0.90），证明其在时空分离的独立队列中仍保持稳健性能，支持其临床泛化潜力，尤其适用于缺乏专业儿科心脏病专家的医疗机构。
• EchoAI-Peds显著优于成人基础模型EchoCLIP和EchoPrime（内部AUROC均为0.58），表明儿科特定模型的必要性，未来研究应避免直接迁移成人模型至儿科人群。
• 模型在检测如室间隔缺损（VSD）、法洛四联症（TOF）、大动脉转位（TGA）等常见CHD及左室收缩功能障碍（LVSysD.）、右室收缩功能障碍（RVSysD.）等功能异常方面表现优异（AUROC > 0.9），为自动化功能评估提供了可靠工具，可用于大规模筛查。
• 亚组分析显示，模型性能在不同年龄、性别和视频数量下保持稳定，表明其对临床实践中常见的异质性数据具有鲁棒性，适用于不同超声心动图采集协议。

研究意义与展望

该研究为儿科心脏病的自动化诊断设定了新标准，其多任务、多视角设计更贴近真实临床工作流，有望显著缩短诊断时间，减少专家依赖。在药物开发中，该模型可用于快速表型分层，加速临床试验入组。在临床监测中，可作为辅助工具提升基层医院的诊断一致性。此外，该框架可扩展至其他儿科影像模态，推动儿科精准医疗的发展。

 

针对先天性心脏病等复杂疾病机制研究，需要高效基因编辑细胞模型。赛业生物提供全基因组敲除细胞库，涵盖肿瘤、心血管、神经等20多种研究领域，支持高通量基因功能筛选。现货细胞库快至1周发货，定制服务快至1个月，助力快速鉴定疾病相关宿主因子与药物靶点。

了解更多

 

结语

本研究提出的EchoAI-Peds模型代表了儿科超声心动图分析的重要进步。通过构建一个能够同时处理多种病理的多任务深度学习系统，研究团队克服了传统模型在任务范围和泛化能力上的局限。其在独立外部队列中的稳健表现，凸显了专为儿科人群定制AI模型的重要性。该模型不仅可作为筛查工具，助力早期发现复杂先天性心脏病，还可作为第二阅片人，辅助临床决策。未来整合定量测量预测与更广泛的疾病谱，将进一步提升其在真实世界中的临床价值。总体而言，EchoAI-Peds为构建全面、自动化的小儿心脏影像分析系统奠定了基石，有望改善全球范围内先天性心脏病患儿的照护路径，特别是在资源有限地区。

 

Joseph Cho, Mrudang Mathur, Dhamanpreet Kaur, Matthew A Jolley, and William Hiesinger. A Multitask Deep Learning Model for Pediatric Echocardiography Analysis. Circulation.