从数小时到几分钟，AI如何加速心血管影像分析？对话《欧洲心脏杂志-数字健康》创刊主编|医学|医生|影像学|心脏病|最危险信号|欧洲心脏杂志-数字健康

*仅供医学专业人士阅读参考

自动分析越来越快，影像医生的工作将如何改变？

撰文：王智

心血管影像检查为疾病诊断和治疗决策提供了重要依据，但图像采集之后，大量测量和分析工作仍需要医生投入时间。人工智能（AI）的发展正在改变这一过程。过去需要数小时完成的部分影像量化分析，如今几分钟内就能获得结果。当AI能够自动完成部分测量和分析，影像医生的工作会发生什么变化？一项新技术从研究走进医院，又需要经过怎样的验证？

2026年10月15日至18日，第37届长城心脏病学大会（GW-ICC 2026）暨亚洲心脏大会（AHS 2026）在北京召开。由医学界心血管频道与长城会联合推出的官方品牌栏目《长城问道》，本期以《影像·智变篇：从影像金标准到AI赋能精准决策》为主题，由苏州大学附属第二医院储家朋医生主持，特邀荷兰鹿特丹伊拉斯姆斯医学中心数字心脏病学负责人、《European Heart Journal – Digital Health》创刊主编Nico Bruining教授展开对话，围绕心血管影像智能化，共话AI如何改变影像分析、走向临床，并服务更多患者。

AI会取代影像医生吗？

“AI现在是一个真正的加速器。”Bruining教授介绍称，部分以往需数小时完成的计算机辅助量化分析，如今可在数分钟内获得全自动超声心动图分析结果。在导管室中，一些原本需在检查结束后离线完成的分析，也可在操作过程中进行，从而缩短患者等待时间、减少往返。

那么，当测量与分析越来越多地由工具完成，影像科医生是否会被取代？Bruining教授的判断是，现阶段尚不会，但医生的工作内容正在改变。医生将更多地审核AI生成的结果、整合不同来源的信息，并结合患者具体情况作出判断。在减少部分重复性操作后，医生可将更多时间用于了解患者情况、讨论病情。

不过，这一转变需要团队逐步适应。在Bruining教授的观察中，年轻医生通常较易接受新技术，部分同事则倾向于先观察实际应用效果；部分护理人员和超声技师对工具可靠性及岗位影响仍存顾虑。对医生而言，不仅需学会使用AI，还需理解其原理并审慎审视其输出结果。

从研究走向临床，AI需要怎样的证据？

性能表现优异的AI模型不断涌现，但真正进入日常诊疗流程的应用仍较有限。针对这一转化差距，Bruining教授指出：“我们需要扎实的临床证据。”许多研究已取得较高质量的模型开发成果，下一步是让这些工具走出模型开发阶段的研究环境，接受更广泛的外部检验。

他提出，模型开发完成后，宜先在其他独立中心开展外部验证，再进行前瞻性临床试验。研究不仅要证明技术的有效性，还要了解其在不同医疗体系中的适用性和表现。

国际合作是推动这一进程的重要环节。他举例说，在中国开发的技术，宜在欧洲等不同医疗体系中开展验证；在欧洲开发的技术，也需在中国、美国等不同地区接受验证。不同地区在人群特征、生活环境和饮食习惯等方面存在差异，研究中可能产生的偏倚及其来源也不尽相同。

AI进入临床，效果与风险如何评估？

谈到AI影像工具的临床应用，相较于通常所说的“上市后监测”，Bruining教授更倾向采用“应用后监测”这一表述，重点关注算法进入实际诊疗流程后的表现。

他将能否加快分诊、是否改善患者结局列为具体评价问题，并强调需明确可操作的结局指标，持续追踪算法在实际应用中的效果。

相关风险同样需要持续观察。他指出，部分问题可能在工具进入多家医疗机构后才逐渐显现，大规模应用中可能出现的非预期影响也需进一步评估。因此，他建议在更多医疗机构开展前瞻性研究，收集实际应用数据，并推进AI算法风险分级的讨论。

针对青年医生缺乏资源开展大型前瞻性研究的问题，Bruining教授首先建议加强学术交流与合作。他回忆，其所在中心曾接收来自世界各地的进修医生，通过共同工作相互学习。他还提到，英国生物样本库等公开资源可为研究提供数据支持。谈到数据质量，他指出，AI研究依赖高质量的数据标注，但标注工作耗时；回顾既往资料时，数据最初的采集方式也并不总是清楚。这些都是开展研究时面临的实际问题。

对于科研写作中的AI使用，他建议可用于语法检查、语言润色，以及辅助制作图形摘要和排版，但不应使用AI美化医学图像。使用时需披露AI使用情况，并认真审阅生成内容。他特别提醒，AI有时会生成大量句子，但信息量有限；研究者仍需亲自修改，使文章简洁清楚，并突出最重要的信息。

心血管影像的下一步，为什么看向全科？

展望未来十年，Bruining教授将关注点转向全科诊疗。他指出，其所在医院接诊的复杂病例较多，部分诊疗服务的候诊时间已延长至约3个月，现有服务体系面临较大压力。因此，部分基础影像检查可借助AI向院外延伸，并在具备相应条件的全科诊疗场景中开展。

Bruining教授以接受潜在心脏毒性化疗患者的心功能监测为例。此类患者存在发生化疗相关心功能障碍或心力衰竭的风险，心脏科医生需通过超声心动图评估左心室射血分数（LVEF）。他提出，可培训执业护士在AI引导下使用超声探头采集图像，并由AI分析工具完成LVEF测量等分析；相关结果仍应在具备资质的临床医生审核下使用。在其设想中，全科医生和执业护士也可使用这类技术，从而使相关应用延伸至心脏专科之外。

对于多种信息的整合，他也认为多模态基础模型与基因组学、蛋白质组学的结合具有应用潜力，并希望通过在合规和伦理审查前提下获取更多患者数据，形成更全面的认识。

结语

AI正在加快心血管影像分析，也在改变医生的工作内容。贯穿这场对话的，是技术如何更好地融入诊疗。AI减少重复测量和分析，可以让医生有更多时间与患者交流；而工具能否在不同人群和医疗环境中发挥作用，还需要临床研究和应用后的持续评估。

谈到对未来的期待，Bruining教授用一句话总结：“让每一位患者，无论身在何处，都能获得最好的诊疗。”这也为整场对话落下了注脚：心血管影像的智能化，最终要让更多患者从中受益。

专家简介

Nico Bruining 教授

他在荷兰鹿特丹伊拉斯谟医学院心脏病学系胸部中心的导管实验室工作，与介入心脏病学先驱帕特里克·塞鲁伊斯教授和皮姆·德·费特教授合作。同时，他学习技术计算机科学，1993年毕业后，他以科学家身份加入胸部中心数字心脏病学系，目前担任该科主任。

他的活动集中在基于计算机的科学创新领域，推动心血管护理的发展。他此前的研究主要集中在心血管影像学以评估新疗法，并在多项首次人体临床干预研究中使用了他开发的方法和技术。其中一项新技术是三维（3D）超声心动图的发展。

他目前的工作完全与心脏病学中的数字健康研究和实施密切相关。作为《欧洲心脏杂志-数字健康》首任主编，他正在全球范围内推动这一领域的发展。在欧洲心脏病学会（ESC）内，该学会是该期刊的所在地，他领导数字心脏病学与人工智能（DCAI）委员会的数字心脏病学分部，是大会项目委员会成员、数字健康项目成员，以及数字心脏病学与人工智能峰会科学项目的联合主席。