AI 听诊器比心脏科医生准，为什么还不能用来体检

一台能自动分析心音的听诊器，眼下适合用在医生已经觉得心脏可能有问题、准备开超声单的人身上，帮着把队排一排；不适合拿去给没有症状的人做体检筛查。做这项研究的日本团队自己在结论里也写了，推广到更广的筛查场景之前还需要进一步验证。

这里说的「心脏泵不动」，医学上叫左心室射血分数降低。心脏左边的主泵每跳一次，把腔里的血挤出去一部分，挤出去的比例就是射血分数，正常人一般在五成以上。研究把这个比例降到 40% 及以下的人定为阳性，判定标准用的是同期做的心脏超声。

这篇论文 2026 年 10 月 15 日在 NEJM AI 上线。它值得讲的地方在于一个听起来很怪的结果：同样一段心音，模型判断对的比例是 82.0%，七位心脏科医生凑在一起讨论出来的判断是 62.0%。可就是这样一个比专家准的模型，作者却不建议拿去给普通人体检。原文在出版社网站需要订阅，下面用到的数字出自 PubMed 上的公开摘要，原文图表没有取到，本文的数据图按这些数字自己画。

心脏泵力弱了，听诊器里会多出什么声音

心脏一次搏动，听诊器里正常只有两下。第一下是二尖瓣和三尖瓣关闭时的震动，叫第一心音；第二下是主动脉瓣和肺动脉瓣关闭时的震动，叫第二心音。

泵力弱下来之后，这两下会变样。心肌收缩的力量小了，瓣膜关闭时的震动跟着减弱，第一心音听上去变轻。更要紧的是心腔，泵不干净的血留在里面，心腔被撑大，腔内的充盈压升高；等下一次心脏舒张、血从心房冲进来时，撞在一个已经绷紧的心室壁上，就会在第二心音之后多出一下低沉的声音，叫第三心音。

第三心音本身不是只有机器才听得见。2005 年发表在 JAMA 上的一项研究，给 90 位要做左心导管的病人在 4 小时内同时做了心音图、心导管、超声和 BNP 抽血。结果是：有第三心音或第四心音的人，左心室舒张末压平均 18.4 mmHg，没有的人平均 12.1 mmHg；射血分数平均 49.4% 对 63.6%。这个方向和前面讲的机制一致，多出来的声音确实对应着更高的充盈压和更差的泵力。

问题出在能听到的比例。同一项研究里，第三心音对「射血分数降低」的敏感度只有 52%，特异度 87%。翻成白话：泵力真的掉下来的人，里面只有一半能听出第三心音，另一半听着是安静的；但一旦听到了，这个人泵力有问题的可能性确实很大。

一个只能抓到一半病人的体征，临床上就没法拿它当筛查手段。医生听不到第三心音，不等于病人心脏没问题。这正是新研究想补上的缺口。

这项研究怎么做的

研究在日本多家中心前瞻地进行，纳入的都是因为临床需要、已经被开了心脏超声检查单的成年人。每位病人在四个标准听诊位做数字听诊，同时记录一导心电。模型是把 transformer 网络和一维卷积网络集成在一起，用心音波形加上心电的时间刻度一起判断。

训练队列 2359 人，平均年龄 69.7 岁，女性 40.4%，其中射血分数降低的占 8.9%。模型的 AUROC 是 0.926。AUROC 可以这样理解：随便挑一个泵力弱的人和一个泵力正常的人，模型给前者打的分更高的概率，就是这个数，1.0 是完美，0.5 等于瞎猜。

真正有分量的是外部验证。研究者拿的是另一个独立多中心注册研究里的 964 人，模型事先没有见过这批数据。AUROC 0.904（95% 置信区间 0.876 到 0.930），敏感度 86.3%，特异度 74.2%，总准确率 75.1%。换到另一批医院、另一批病人身上只掉了 0.02，说明模型学到的东西能跨医院用。

研究还把模型和三种对照做了比较：只用临床变量的回归模型、加上单导心电特征的模型、再加上 BNP 的模型。四个听诊位的 AI 听诊都赢了。BNP 是心肌受牵拉时释放到血里的一种肽，目前筛查心衰常用它抽血。模型能比它更准，意味着心音里携带的信息确实不少。

比七位心脏科医生准 20 个百分点，这个比较公平吗

读图亚研究取了 100 位病人，模型准确率 82.0%，七位心脏科医生的共识判断 62.0%，差异 P=0.004。

这个数字好看，但要看清它比的是什么。这些医生拿到的只有录音，没有病史、没有化验、没有查体，也不能追问病人爬几层楼会喘。真实门诊里的心脏科医生不是这样工作的，他听诊的时候脑子里已经装着这个人的年龄、血压、有没有心梗史。所以这一节能说明的是「单凭心音这一条信息，模型提取得比人耳多」，不能推出「AI 看心脏比心脏科医生强」。

能听出来的差别和听不出来的差别，分水岭在信息的形态。人耳对低频声音本来就不敏感，第三心音恰恰在低频段，而且它出现在第二心音之后不远，两下容易粘在一起。模型不靠耳朵，它把心音波形和同步心电放在同一条时间轴上，用心电的 R 波当标尺，知道每一下声音落在心动周期的哪个位置，再去比较波形的细部形状。这些细部差异单独听每一条都不足以下判断，叠加起来才构成一个可用的分数。

一百个被 AI 报警的人里，有多少真的泵力弱

一项检查准不准，光看敏感度和特异度不够，还要看它用在什么人身上。

按原文外部验证队列的数字推算：这批人里 7.6% 真的射血分数不到四成。1000 个人走一遍，模型会报警约 304 人，其中约 66 人超声确实证实泵力弱，另外约 238 人是虚惊。也就是说，大约每 5 个报警里只有 1 个是真的。反过来，没报警的近 700 人里，漏掉的约 10 人。

把同样的敏感度和特异度搬到没有症状的普通人身上，情况会变。假设这类人群中射血分数不到四成的占 1%，1000 人里模型报警约 264 人，真的只有约 9 人，大约 30 个报警里才有 1 个。同一台机器，同一套算法，换一群人用，阳性结果的分量就不能一概而论。

这就是作者把它定位成「超声前的筛子」而不是体检项目的原因。用在已经有理由怀疑的人身上，一个阳性结果值得马上安排超声；用在健康体检里，多出来的两百多个虚惊会换成两百多张超声单和两百多份焦虑，本想省检查，结果检查做得更多，适得其反。

两个听诊位就够，这一点可能更重要

研究还试了简化版：从四个听诊位减到两个，外部验证的 AUROC 仍有 0.903，和四个位置的 0.904 几乎没差。

这一条在论文里只写了一行，落到现实里分量不轻。四个听诊位需要受过训练的人准确找到位置，两个位置的操作门槛低得多。

心衰在中国并不少见。2012 到 2015 年的中国高血压调查覆盖 22158 人，结果是 35 岁以上成年人里 1.3% 患有心衰，估算 1370 万人，另有 1.4% 存在左心室收缩功能不全。要说明的是，这项调查划的界线是射血分数低于 50%，和本文讲的 40% 不是同一条线，两个数字不能直接换算。

这么大的基数背后，超声机器和会做超声的人是有限的。能在基层用两个听诊位、十几秒钟做出一个初步分层，把更需要做超声的人往前排，比让所有人排同一条队有意义。在泵力刚开始下降、人还没感觉到气短的时候就发现它，属于防微杜渐。射血分数降低的心衰有一套已经验证过的药物治疗，开始得早，心脏重构的程度就轻。

这项研究还没回答的问题

有三条限制值得写清楚。

第一，研究资助方 AMI Inc. 是做这类设备的公司，公司人员也在作者名单里。这不等于结果不可信，前瞻设计和独立外部验证都做了，但读的时候要知道。

第二，所有受试者都是医生认为需要做超声的人，这群人本身就比普通人更可能有心脏病。模型在这种人群里的表现，不能直接搬到无症状人群。

第三，也是最关键的一条：目前的证据只到「测得准」。这台机器用上之后，病人有没有更早开始治疗、住院少了没有、活得久不久，这些都还没有数据。诊断工具改善结局并非理所当然，中间还隔着一整条链路：报警之后有没有人去做超声，超声有问题之后药有没有开上、剂量有没有加到位。

什么情况下该去查一次心脏超声

说回读者自己。活动后气短、夜里躺平就憋得要坐起来、脚踝按下去一个坑半天弹不回来、以前有过心梗或者长期血压控制不好，出现这些情况时心脏泵力值得查一次，用的办法是心脏超声，不是等一台会判断的听诊器。

这篇论文给了一个具体的例子：一个 AUROC 0.9、比专家共识准 20 个百分点的模型，依然要先问清楚「用在谁身上」，才知道它的阳性结果该当多大的事。

参考来源

Sato E, et al. NEJM AI 2026

Marcus GM, et al. JAMA 2005

Hao G, et al. Eur J Heart Fail 2019 (China Hypertension Survey)

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。