英國超聲心動圖學會：AI超聲的機會、限制與要求

心臟超聲檢查報告，一直是心內外科醫生決策的基石。然而，同樣的超聲檢查若由另一位操作者執行，或僅隔一天重復，測得的關鍵數值可能微妙浮動，這正是超聲心動圖固有的操作者依賴性。

當人工智能（AI）開始學習“看懂”這些圖像，一種能輔助甚至部分接手測量、分診與隨訪的數字同事呼之欲出。但技術熱情之下，安全、公平與可持續性如何保證？

2026年，英國超聲心動圖學會（BSE）發布了一份全面立場聲明，它不是另一紙技術狂熱，而是一份冷靜的整合路線圖，將AI在超聲心動圖中的機會、限制與必要條件首次置于共識框架下審視。

AI重塑超聲工作流：從圖像采集到風險分層

心臟超聲的診療鏈涉及多個環節：獲取標準化切面、測量房室內徑與血流速度、計算功能參數、形成結構化報告，乃至基于影像特征預測遠期風險。AI的介入并非要取代操作者，而是在每個環節提供增強智能。

在圖像采集端，深度學習算法能實時識別切面類型、評價圖像質量，并給出探頭角度或位置調整的提示。這尤其有利于經驗較少的操作者，或用于急診、重癥監護等條件下快速獲取合格影像。進入分析階段，AI最為成熟的應用是自動心腔分割與測量。卷積神經網絡可在數秒內勾勒左心室心內膜邊界，計算舒張末與收縮末容積，進而輸出射血分數（EF），其一致性常優于人工手動描記，且極大減少了操作者內與操作者間的變異。

然而，AI的能力并不止步于測量。整合臨床與影像資料后，機器學習模型還能對患者的再住院風險、疾病進展甚至生存率進行分層次預測。例如，從標準心尖四腔心視圖中提取的心肌紋理特征，結合心臟應變參數，可高效識別射血分數保留的心力衰竭（HFpEF）的早期跡象，而這恰是傳統二維測量容易漏診的領域。從采集到報告再到風險預警，AI正勾勒出一條閉環增強路徑。

共識指出，AI在超聲心動圖中并非單一任務模型，而應視為覆蓋檢查全周期的支撐性技術。它的價值不僅在于速度，更在于將操作者從重復性勞動中解放，把注意力轉向復雜的臨床綜合判斷。

超聲心動圖是心血管病最常用的影像工具之一，全球每年進行的檢查數以億計。日益增長的檢查需求與有限的專家資源之間的矛盾，是驅使AI落地的核心動因。

首當其沖的機會在于標準化。不同中心、不同資質的操作者導致的測量差異，常使遠程會診或跨院比較陷入困境。AI算法以一致規則處理圖像，能實質性地縮小“人機差距”。在基層醫療機構或偏遠地區，AI輔助的自動化掃查與測量，可讓非專家級操作者采集到診斷級別的圖像，由云端算法完成初篩，再將疑似異常病例轉介中心醫院，從而優化醫療資源分布。

其次，AI能壓縮檢查與報告周期。常規經胸超聲心動圖包含數十項測量，全程手動操作耗時數十分鐘，而自動化工具可將容積測量和功能計算時間縮減至秒級，使整個流程效率顯著提升。省下的時間可用于增加日檢查量，或讓操作者更專注于不典型病變的判讀、血流動力學的精細評估以及患者溝通。

第三是決策支持。當AI模型融合了影像特征、電子健康記錄與生物標志物后，可在患者尚未離開檢查床時提示“射血分數雖保留但縱向應變異常，高度疑似HFpEF”，或“主動脈瓣流速接近臨界值，建議負荷超聲”。這種即時輔助有望縮短從檢查到干預的時間窗。

限制：偏見、黑箱與驗證鴻溝

盡管前景誘人，BSE立場聲明用近半篇幅強調了將AI安全融入臨床所必須跨越的障礙。

數據偏見是首要制約。絕大多數AI模型基于特定人群的數據訓練，若訓練集中老年白人男性占主導，則算法在女性、少數族裔或罕見心臟疾病患者中的表現可能大打折扣。這種偏差不是算法本身的錯誤，而是數據來源不均衡的映射，卻可能導致誤診或漏診，進而加劇健康不平等。

可解釋性是另一道坎。許多高性能的深度學習模型是“黑箱”，無法向醫生解釋為何將某個區域標記為異常。在超聲心動圖中，若AI提示左心室肥厚但未能展示基底間隔的突出厚度，臨床采納度將大打折扣。缺乏可解釋性也阻礙了責任劃分——當AI輔助的診斷出錯時，是算法開發者、部署機構還是操作者承擔責任？

臨床驗證的不足同樣關鍵。多數AI超聲心動圖研究在理想化數據集上進行，入組病例常規避了圖像質量差、心律不齊、術后改變等現實挑戰。單中心的回顧性驗證結果難以直接推廣至多中心、前中景下的實際應用。而真正的多中心隨機對照試驗耗資巨大、周期漫長，目前仍屬稀缺。此外，模型在面對未曾經歷過的掃查角度、設備品牌或患者體型時，容易出現不可預知的性能下降。

聲明特別提醒，當前AI工具不能獨立作出診斷決策。它們須被視為決策支持系統，最終的臨床判斷和責任必須由有資質的超聲醫師或心內科醫生承擔。

BSE的立場聲明為AI落地制定了一系列前置條件，這些要求圍繞“安全、公平、有效”三軸展開。

數據與算法的透明性排在首位。任何部署的AI模型需提供詳細的“身份卡”，包括訓練數據的來源、人口統計分布、納入排除標準、圖像采集協議，以及在不同亞組上的性能報告。內置的偏差評測應成為必選項，若模型在某一保護特性（如性別、種族）上表現明顯劣于整體，需明示并限制其在該群體中的應用，直至問題解決。

使用者和機構培訓不可或缺。超聲醫師、心內科醫生乃至醫療管理者，需要理解AI的基本工作原理、適用范圍和常見失效模式。這不是要求人人成為數據科學家，而是能識別AI結果中的異常噪聲，并知道何時該推翻算法的建議。此外，操作者必須接受如何在AI輔助下仍保持手動測量技能的訓練，防止長期依賴后的技能退化。

持續的性能監控與反饋機制是動態保障。醫院應建立本地化的測試流程，使用不斷更新的真實世界數據（含本中心各操作者的典型圖像）定期評估模型的準確性、敏感性和特異性，并及時向開發者反饋邊緣案例。算法更新后必須重新進行本地驗證，防止性能漂移。

人機協同的工作流程設計同樣重要。AI的嵌入不能簡單地增加操作步驟或造成“警報疲勞”。它應無縫融入現有的超聲工作列表和報告系統，以最小認知負荷提供輔助，例如在測量完成后自動彈出異常值的關聯分析，而非破壞操作者連貫的掃查邏輯。

公平可及性是倫理底線。聲明明確指出，AI工具不應僅服務于經濟發達地區的醫療中心；其設計與推行必須考慮到資源有限機構的技術基礎設施、網絡條件和維護成本，避免因技術鴻溝拉大醫療差距。

行動框架：從共識到實踐

BSE的立場聲明并不止于列出條目，更提供了一套行動框架。它呼吁專業學會牽頭建立多中心注冊研究，使用本地化數據持續訓練和測試AI模型，并開發超聲心動圖專屬的基準數據集。同時，與監管機構（如英國藥品和健康產品管理局）協作，制定詳細的性能標準和批準路徑，使AI工具走出一紙“豁免研究用途”的灰色地帶。

該聲明還強調跨學科合作：超聲操作者、臨床醫生、計算機科學家、法學家和患者代表應共同參與AI的評估與部署。未來可能出現的“AI超聲認證”體系，有望對通過嚴格驗證的工具授予信任標記，使臨床采購有據可依。

在BSE勾勒的藍圖中，AI不是代替心臟超聲醫師的“黑科技”，而是提升整個檢查鏈質量和一致性的系統組件。它要求我們如同引入新的成像模態一樣，用審慎的臨床證據和詳細的實施標準來把關。

正如BSE立場聲明所闡明的，工具的效率倍增效應必須讓位于安全的臨床治理。數據偏見可能悄無聲息地扭曲決策，黑箱模型會侵蝕醫生的專業自信，驗證不足則可能讓靈驗的算法在真實世界驟失光彩。

只有將透明、培訓、監控和公平納入采購與整合的默認前提，AI才能真正成為心臟超聲醫師手中那把更可靠的“數字探頭”。

參考文獻 British Society of Echocardiography. Artificial intelligence in echocardiography: a position statement from the British Society of Echocardiography. Echo Res Pract. 2026.