1953 年 10 月，瑞典隆德大学的心脏病医生英厄·埃德勒（Inge Edler）和物理学家赫尔穆特·赫兹（Hellmuth Hertz）做了一件看起来有些“跨界”的事：他们从马尔默一家造船厂借来一台西门子的超声探伤仪。这台机器本来是用来检查钢板里有没有裂缝的，他们却把探头贴在人的胸口上，第一次记录下了心脏壁随心跳来回运动的回声。
这被普遍视为超声心动图的起点。70 多年后，心脏超声已经成为全世界使用最广泛的心脏影像检查之一：无辐射、成本相对低、床旁就能做。
但有一个部位，超声至今都看得不太顺手：右心室。
近日，美国麻省总医院布莱根（Mass General Brigham，下文简称 MGB）心血管研究所与哈佛大学和麻省理工学院博德研究所（Broad Institute of MIT and Harvard）的团队，在 Nature Cardiovascular Research 上发表论文，报告了一个名为 DROID-RV 的深度学习模型。
它能直接从常规的二维经胸超声心动图视频中，估算右心室舒张末期内径，并识别右心室收缩功能是否减退。研究团队用来自 17,141 名心脏专科门诊患者的 383,881 段超声视频训练模型，并在 9,112 名初级保健患者，以及匈牙利 831 名做过三维超声的患者中进行了验证。
更有意思的是，模型给出的“右心室偏大”“右心室功能差”的判断，与患者此后的死亡、心房颤动和心力衰竭风险都存在关联。
简言之就是：让 AI 替医生“量”右心室，而且它量出来的结果，似乎还能提示未来的风险。那么，为什么右心室这么难看？一个 AI 模型又能把它看到什么程度？
“被遗忘的心室”
人的心脏有四个腔室，其中两个心室负责泵血：左心室把富含氧气的血液泵向全身，右心室则把回流的静脉血泵向肺部，完成气体交换。
长期以来，左心室是心脏影像学的绝对主角。射血分数、室壁厚度、左室内径，这些指标几乎是每份超声报告的标配。相比之下，右心室常被称为“被遗忘的心室”。
但它并不是不重要。论文开头援引的一系列研究显示，右心室的大小和功能，与心衰患者的预后、主要不良心血管事件，乃至心房颤动的发生都有关。在肺动脉高压、急性心衰、肺栓塞等疾病中，右心室能不能“扛得住”，往往直接关系到病情走向。
问题在于，右心室太难看清了。
左心室形状比较规整，大致像一颗子弹头，用几个切面就能比较准确地估算它的大小和功能。右心室则不同：它呈新月形，像一层薄薄的“壳”包裹在左心室的右前方，而且位置靠前，正好藏在胸骨后面。超声波很难穿透骨头，医生只能从有限的“窗口”去看，而二维超声每次只能切出一个平面，很难完整反映一个形状不规则的三维结构。
于是，右心室评估在很大程度上依赖经验。美国超声心动图学会的指南给出了一系列测量方法，但论文引用的研究也指出，这些二维测量的准确性有限，不同医生之间的判断一致性也并不理想。
更准确的方法当然有。心脏磁共振被视为评估右心室的“金标准”，三维超声也能更完整地重建右心室。但前者昂贵、耗时，并非随处可做；后者需要专门的设备和经验丰富的操作者。
论文第一作者、MGB 心血管研究所的穆斯塔法·阿卢西（Mostafa Al-Alusi）在 MGB 发布的研究问答中表示：“我们想要一种快速、一致的方式，用更容易获得的超声心动图来评估右心室。”
38 万段视频训练出来的“读片员”
用 AI 读心脏超声，并不是新鲜事。
2020 年，斯坦福大学团队在 Nature 上发表了 EchoNet-Dynamic，能从超声视频中逐搏评估左心室射血分数。MGB 和博德研究所的这个团队此前也发表过同类深度学习研究，分别用于评估左心结构与功能、识别二尖瓣脱垂。匈牙利团队则发布过 RVENet 数据集，尝试用二维超声预测右心室射血分数。
但在右心室这件事上，之前的研究普遍面临一个瓶颈：高质量的定量标签太少。
在日常临床中，医生在超声报告里写下“右心室大小正常”“右心室收缩功能轻度减低”这样的定性描述很常见，但认真测量并记录右心室内径的报告却少得多。
DROID-RV 的训练策略，正是为了绕开这个瓶颈。
研究团队的数据来自 MGB 的一个纵向心内科门诊队列（EWOC），共 17,141 名患者、51,188 次超声检查、383,881 段视频。所有检查都带有医生对右心室大小和功能的定性判断，团队先用这些“粗标签”对模型进行预训练，让它学会大致区分“正常”和“异常”。
然后，团队再用其中 5,694 次带有右心室舒张末期内径（RVEDD）测量值的检查进行微调，让模型学会给出具体的毫米数。
这有点像培养一名超声科住院医生：先让他看大量带有上级医生结论的片子，形成整体的“感觉”；再用少量精确测量过的病例，教他把感觉转换成数字。
从论文引用的文献来看，模型借鉴了一种为高效视频识别设计的神经网络架构（MoViNet）。这意味着它看的不是单张静态图片，而是一整段心脏跳动的视频，可以同时捕捉形态和运动信息。
训练完成后，团队在两个独立样本中检验模型。
第一个是 MGB 的初级保健队列 C3PO，包含 9,112 名患者。这些人并非因为心脏问题专门就诊，更接近普通人群，右心室异常的比例也低得多。团队还把这个队列的长期电子病历数据与模型预测关联起来，用来分析预后。
第二个是来自匈牙利一家医院的 RVENet 数据集，共 831 名患者。这些患者都做过三维超声，有右心室射血分数（RVEF）的精确测量值，可以作为更严格的外部参照。
它量得有多准？
先看右心室大小。
据 MGB 发布的研究问答介绍，DROID-RV 估算的右心室内径，与医生实际测量值的平均误差约为 3 毫米。
这个数字意味着什么？作为参考，美国超声心动图学会指南中，右心室基底部内径超过 41 毫米即提示扩大。3 毫米的平均误差，相对于这个阈值大约是 7%。对大多数患者来说，这足以区分“明显正常”和“明显扩大”；但对于恰好处在临界值附近的人，误差就可能改变结论。
论文摘要也坦率指出了一个问题：在右心室大小和功能的“极端”区间，模型的预测误差会增大。
换句话说，模型在中间区间表现较好，但在右心室特别大或功能特别差的患者身上，准确度会下降。这类“回归均值”的现象在深度学习模型中并不少见，原因之一是极端病例在训练数据中本就稀少。但这也恰恰是临床上最需要准确判断的人群，后续应用中值得格外留意。
再看右心室功能。
团队在三个测试集（内部测试集、初级保健队列和匈牙利 RVENet 数据集）中，评估了模型识别右心室收缩功能减退的能力。据 MGB 介绍，模型在外部数据集中同样表现出较高的准确度。在 RVENet 数据集中，团队还检验了模型对右心室射血分数这一连续数值的估算能力，参照标准是三维超声。
这里有个细节值得一提。论文除了报告常见的 ROC 曲线，还专门给出了“精确率—召回率曲线”，并在图中标出了每个测试集的患病率。
这是因为，在初级保健人群中，右心室功能减退本身就很少见。患病率越低，即使模型的“区分能力”很强，它报出的“阳性”结果中，真正有问题的比例也可能并不高。精确率—召回率曲线能更直观地反映这个问题，也更接近模型在真实筛查场景中的表现。
AI 模型常被诟病是“黑箱”。为了看看 DROID-RV 到底在“看”哪里，团队绘制了显著性图（saliency map），用颜色标出对模型判断影响最大的区域。
结果显示，模型关注的区域大体符合心脏解剖的常识：室间隔、右心室腔（尤其是靠近基底部的位置）、右心室游离壁，以及左心室基底部。此外，模型在收缩期的关注度普遍高于舒张期。
这些区域与医生评估右心室时重点观察的部位大致吻合。当然，显著性图只能提供一种粗略的解释，并不能完全说明模型的决策逻辑。
比医生更“懂”预后？
如果 DROID-RV 只是把医生的测量“复刻”一遍，它的价值主要在于提高效率。但这项研究的第二部分，试图回答一个更有意思的问题：模型的判断，能不能告诉我们患者未来会怎样？
团队把模型对初级保健队列的预测结果，与这些患者此后的长期病历记录进行关联（论文图中展示的随访截至 10 年），观察心房颤动、心力衰竭和死亡的发生情况。
结果显示，被模型判定为右心室扩大或功能减退的患者，在随访期间发生心房颤动、心力衰竭和死亡的风险都更高。
据 MGB 介绍，被模型预测为右心室扩大的患者，5 年内死亡的可能性是右心室大小正常者的两倍。而且，在校正了年龄、性别、身高、体重和左心室功能等因素后，这些关联依然存在。
更出乎研究团队意料的是另一个发现。
阿卢西在研究问答中表示，模型对右心室大小和功能的预测，有时比当初出具报告的超声医生自己的判断，与未来心血管疾病的关联更强。例如，即使已经考虑了超声医生对右心室功能的评估，模型预测的右心室功能减退，仍然与死亡和心房颤动独立相关。
他认为，这说明模型的预测中，可能包含了超出其训练目标的、与预后相关的信息，“可能来自超声视频中那些通常不会被常规测量的部分”。这也让团队开始设想，未来或许可以直接训练模型去预测心血管结局，而不只是复刻医生已经在做的测量。
结语
这个发现很吸引人，但也需要谨慎解读。
首先，这是一项回顾性研究。模型预测与不良结局之间的关联，并不等于因果关系，更不意味着用模型筛查就能改善患者结局。要证明后者，需要前瞻性的临床研究。
其次，模型的训练和预后分析都在 MGB 同一个医疗系统内完成。外部验证主要针对右心室功能识别（匈牙利 RVENet 数据集），右心室内径估算和预后关联在其他国家、其他人群、其他超声设备上是否同样成立，仍有待检验。而且 RVENet 的参照标准是三维超声，并非心脏磁共振。
第三，训练标签本身来自临床报告。论文引用的研究已经指出，医生之间对右心室的判断一致性有限，用这些标签训练出来的模型，难免会继承一部分“噪声”。
第四，前文提到，模型在极端病例中的误差更大，而这恰恰是临床上最需要关注的人群。
此外，据 MGB 披露，论文的几位作者是与这项工作相关的一项专利的发明人。团队已在 GitHub 上公开了模型代码和用于演示的合成数据，但由于涉及患者隐私，MGB 的原始临床和超声数据无法公开共享。
即便如此，这项研究依然指出了一个清晰的方向。
在现实中，并不是每家医院都有经验丰富的超声医生，更不是每位患者都能做上心脏磁共振。按照团队的设想，DROID-RV 这样的工具可以先给出初步测量，帮超声医生加快读片速度，并标记出需要重点复核的异常检查；在磁共振设备或专业读片人员稀缺的地区，或者在需要快速判断的急诊场景中，它也可能帮助筛选出真正需要进一步检查的患者。
1953 年，埃德勒和赫兹用一台检查钢板裂缝的仪器，第一次“看见”了跳动的心脏。70 多年后，同样是超声，同样是心脏，读片的除了人眼，又多了一双由几十万段视频训练出来的“眼睛”。
路还很长。但至少，那个一直藏在胸骨后面、被称为“被遗忘的心室”的右心室，正在被看得更清楚一些。
参考资料
1.Al-Alusi, M. A. et al. Deep learning-enabled assessment of right ventricular size and function is associated with cardiovascular outcomes. Nature Cardiovascular Research (2026). https://doi.org/10.1038/s44161-026-00886-4
2.Mass General Brigham. Research Spotlight: AI tool automates echocardiogram assessment of the heart’s right ventricle (2026). https://www.massgeneralbrigham.org/en/newsroom/ai-tool-automates-echocardiogram-of-the-right-ventricle
3.Ouyang, D. et al. Video-based AI for beat-to-beat assessment of cardiac function. Nature 580, 252–256 (2020).
4.Lang, R. M. et al. Recommendations for cardiac chamber quantification by echocardiography in adults. J. Am. Soc. Echocardiogr. 28, 1–39 (2015).
5.DROID-RV 代码：https://github.com/broadinstitute/ml4h/tree/master/model_zoo/DROID-RV
审核 | 医工学人理事会
