深度学习超声心动图心脏评估的系统综述与Meta分析（160项研究）

European heart journal. Digital health · 2026-10-19 · 期刊论文

• 一句话结论：结论：该系统综述与Meta分析提示，全自动深度学习模型在超声心动图多类任务中表现较高，部分任务或可减少对专家判读的依赖并提升流程自动化，但临床效用与真实场景验证不足，证据档位为C。
• 研究设计与做法：设计与做法：系统检索PubMed、CENTRAL与Web of Science，初检16248篇，最终纳入160项仅使用全自动深度学习网络处理超声心动图动态回放的研究；采用随机效应模型合并性能估计，按疾病或死亡预测、既有测量复现、心腔分割、切面分类与图像质量评估五类分组。
• 主要结果：主要结果：作者报告模型在多类应用中性能较高，但未在摘要中给出合并效应量、置信区间或p值；心腔分割与切面分类研究存在无法解释的高异质性；性能受医学目标及视频分辨率、使用帧数、训练总人数等输入特征影响。
• 机制或解释：机制或解释：未讨论；摘要未阐述深度学习性能差异的机制性解释。
• 局限与边界：局限与边界：分割与分类任务异质性高且未能消解，纳入研究多为特定任务场景，真实世界临床效用未评估；材料未报告人群构成、单中心比例、随访及利益冲突信息。
• 可否落地：可否落地：提示深度学习超声心动图在选定任务中可支持工作流自动化，但证据档位为C，广泛临床采用前仍需进一步验证、临床效用评估与真实场景检验，目前不足以下结论。

🔗 打开原文

Romano-Martinez A, Zeid S, Krolevets M 等

本文摘自《每日前沿研究简报 · 2026-10-23》「AI 医学影像与临床决策」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。