英国超声心动图学会：AI超声的机会、限制与要求

心脏超声检查报告，一直是心内外科医生决策的基石。然而，同样的超声检查若由另一位操作者执行，或仅隔一天重复，测得的关键数值可能微妙浮动，这正是超声心动图固有的操作者依赖性。

当人工智能（AI）开始学习“看懂”这些图像，一种能辅助甚至部分接手测量、分诊与随访的数字同事呼之欲出。但技术热情之下，安全、公平与可持续性如何保证？

2026年，英国超声心动图学会（BSE）发布了一份全面立场声明，它不是另一纸技术狂热，而是一份冷静的整合路线图，将AI在超声心动图中的机会、限制与必要条件首次置于共识框架下审视。

AI重塑超声工作流：从图像采集到风险分层

心脏超声的诊疗链涉及多个环节：获取标准化切面、测量房室内径与血流速度、计算功能参数、形成结构化报告，乃至基于影像特征预测远期风险。AI的介入并非要取代操作者，而是在每个环节提供增强智能。

在图像采集端，深度学习算法能实时识别切面类型、评价图像质量，并给出探头角度或位置调整的提示。这尤其有利于经验较少的操作者，或用于急诊、重症监护等条件下快速获取合格影像。进入分析阶段，AI最为成熟的应用是自动心腔分割与测量。卷积神经网络可在数秒内勾勒左心室心内膜边界，计算舒张末与收缩末容积，进而输出射血分数（EF），其一致性常优于人工手动描记，且极大减少了操作者内与操作者间的变异。

然而，AI的能力并不止步于测量。整合临床与影像资料后，机器学习模型还能对患者的再住院风险、疾病进展甚至生存率进行分层次预测。例如，从标准心尖四腔心视图中提取的心肌纹理特征，结合心脏应变参数，可高效识别射血分数保留的心力衰竭（HFpEF）的早期迹象，而这恰是传统二维测量容易漏诊的领域。从采集到报告再到风险预警，AI正勾勒出一条闭环增强路径。

共识指出，AI在超声心动图中并非单一任务模型，而应视为覆盖检查全周期的支撑性技术。它的价值不仅在于速度，更在于将操作者从重复性劳动中解放，把注意力转向复杂的临床综合判断。

超声心动图是心血管病最常用的影像工具之一，全球每年进行的检查数以亿计。日益增长的检查需求与有限的专家资源之间的矛盾，是驱使AI落地的核心动因。

首当其冲的机会在于标准化。不同中心、不同资质的操作者导致的测量差异，常使远程会诊或跨院比较陷入困境。AI算法以一致规则处理图像，能实质性地缩小“人机差距”。在基层医疗机构或偏远地区，AI辅助的自动化扫查与测量，可让非专家级操作者采集到诊断级别的图像，由云端算法完成初筛，再将疑似异常病例转介中心医院，从而优化医疗资源分布。

其次，AI能压缩检查与报告周期。常规经胸超声心动图包含数十项测量，全程手动操作耗时数十分钟，而自动化工具可将容积测量和功能计算时间缩减至秒级，使整个流程效率显著提升。省下的时间可用于增加日检查量，或让操作者更专注于不典型病变的判读、血流动力学的精细评估以及患者沟通。

第三是决策支持。当AI模型融合了影像特征、电子健康记录与生物标志物后，可在患者尚未离开检查床时提示“射血分数虽保留但纵向应变异常，高度疑似HFpEF”，或“主动脉瓣流速接近临界值，建议负荷超声”。这种即时辅助有望缩短从检查到干预的时间窗。

限制：偏见、黑箱与验证鸿沟

尽管前景诱人，BSE立场声明用近半篇幅强调了将AI安全融入临床所必须跨越的障碍。

数据偏见是首要制约。绝大多数AI模型基于特定人群的数据训练，若训练集中老年白人男性占主导，则算法在女性、少数族裔或罕见心脏疾病患者中的表现可能大打折扣。这种偏差不是算法本身的错误，而是数据来源不均衡的映射，却可能导致误诊或漏诊，进而加剧健康不平等。

可解释性是另一道坎。许多高性能的深度学习模型是“黑箱”，无法向医生解释为何将某个区域标记为异常。在超声心动图中，若AI提示左心室肥厚但未能展示基底间隔的突出厚度，临床采纳度将大打折扣。缺乏可解释性也阻碍了责任划分——当AI辅助的诊断出错时，是算法开发者、部署机构还是操作者承担责任？

临床验证的不足同样关键。多数AI超声心动图研究在理想化数据集上进行，入组病例常规避了图像质量差、心律不齐、术后改变等现实挑战。单中心的回顾性验证结果难以直接推广至多中心、前中景下的实际应用。而真正的多中心随机对照试验耗资巨大、周期漫长，目前仍属稀缺。此外，模型在面对未曾经历过的扫查角度、设备品牌或患者体型时，容易出现不可预知的性能下降。

声明特别提醒，当前AI工具不能独立作出诊断决策。它们须被视为决策支持系统，最终的临床判断和责任必须由有资质的超声医师或心内科医生承担。

BSE的立场声明为AI落地制定了一系列前置条件，这些要求围绕“安全、公平、有效”三轴展开。

数据与算法的透明性排在首位。任何部署的AI模型需提供详细的“身份卡”，包括训练数据的来源、人口统计分布、纳入排除标准、图像采集协议，以及在不同亚组上的性能报告。内置的偏差评测应成为必选项，若模型在某一保护特性（如性别、种族）上表现明显劣于整体，需明示并限制其在该群体中的应用，直至问题解决。

使用者和机构培训不可或缺。超声医师、心内科医生乃至医疗管理者，需要理解AI的基本工作原理、适用范围和常见失效模式。这不是要求人人成为数据科学家，而是能识别AI结果中的异常噪声，并知道何时该推翻算法的建议。此外，操作者必须接受如何在AI辅助下仍保持手动测量技能的训练，防止长期依赖后的技能退化。

持续的性能监控与反馈机制是动态保障。医院应建立本地化的测试流程，使用不断更新的真实世界数据（含本中心各操作者的典型图像）定期评估模型的准确性、敏感性和特异性，并及时向开发者反馈边缘案例。算法更新后必须重新进行本地验证，防止性能漂移。

人机协同的工作流程设计同样重要。AI的嵌入不能简单地增加操作步骤或造成“警报疲劳”。它应无缝融入现有的超声工作列表和报告系统，以最小认知负荷提供辅助，例如在测量完成后自动弹出异常值的关联分析，而非破坏操作者连贯的扫查逻辑。

公平可及性是伦理底线。声明明确指出，AI工具不应仅服务于经济发达地区的医疗中心；其设计与推行必须考虑到资源有限机构的技术基础设施、网络条件和维护成本，避免因技术鸿沟拉大医疗差距。

行动框架：从共识到实践

BSE的立场声明并不止于列出条目，更提供了一套行动框架。它呼吁专业学会牵头建立多中心注册研究，使用本地化数据持续训练和测试AI模型，并开发超声心动图专属的基准数据集。同时，与监管机构（如英国药品和健康产品管理局）协作，制定详细的性能标准和批准路径，使AI工具走出一纸“豁免研究用途”的灰色地带。

该声明还强调跨学科合作：超声操作者、临床医生、计算机科学家、法学家和患者代表应共同参与AI的评估与部署。未来可能出现的“AI超声认证”体系，有望对通过严格验证的工具授予信任标记，使临床采购有据可依。

在BSE勾勒的蓝图中，AI不是代替心脏超声医师的“黑科技”，而是提升整个检查链质量和一致性的系统组件。它要求我们如同引入新的成像模态一样，用审慎的临床证据和详细的实施标准来把关。

正如BSE立场声明所阐明的，工具的效率倍增效应必须让位于安全的临床治理。数据偏见可能悄无声息地扭曲决策，黑箱模型会侵蚀医生的专业自信，验证不足则可能让灵验的算法在真实世界骤失光彩。

只有将透明、培训、监控和公平纳入采购与整合的默认前提，AI才能真正成为心脏超声医师手中那把更可靠的“数字探头”。

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