【医学AI前沿】（JACC-2026）基于人工智能驱动的无对比剂 MRI 的心肌瘢痕评估

无需造影剂！AI 虚拟原生增强技术助力心脏磁共振心肌瘢痕精准评估

论文：Myocardial Scar Assessment Using Artificial Intelligence-Powered Contrast-Free MRI: A Prospective Multicenter Study of Virtual Native Enhancement

0、摘要

背景

目前，利用人工智能虚拟原生增强（VNE）技术，或可在无需造影剂的情况下实现基于心血管磁共振（CMR）的心肌瘢痕检测；但仍需开展前瞻性多中心临床验证，以确立其常规临床应用的可行性。（团队的前期研究已实现了）

目的

本研究旨在采用多中心、盲法设计，在真实临床环境中前瞻性地评估 VNE 检测心肌瘢痕的诊断效能。

方法

前瞻性收集来自两个中心（利兹和阜外）的 CMR 数据集。由利兹和阜外团队独立判定晚期钆增强（LGE）图像上的瘢痕存在情况，并将其作为金标准（ground truth）。牛津团队仅使用上述两个中心的平扫电影（Cine）和 T1 mapping 图像生成 VNE 图像，并在不知晓临床数据及 LGE 结果的情况下对 VNE 图像进行评分。另外四名临床读片医师对匹配层面的 VNE 与 LGE 图像进行盲法评估。（人工评估）。

结果

基于高置信度图像（n=107），VNE 诊断心肌梗死的准确率达 94.4%；在全部图像（n=136）中，准确率为 87.5%。VNE 的心肌瘢痕定量结果与 LGE 呈强相关（R=0.90），且两者高度一致（平均差值 3.2%；95% CI：−10.4% ~ +16.8%）。VNE 与 LGE 在梗死心肌区域判定上的一致性达 90.0%。在 69.7% 的患者中，4 名临床读片医师认为仅凭 VNE 图像即可满足诊断需求，无需进一步行 LGE 检查；在这些病例中，VNE 的平均诊断准确率为 93.7%，与 LGE（93.9%）相当。

结论

对于高质量且清晰的 VNE 图像，无需使用造影剂即可实现准确的心肌瘢痕定量。VNE 可对是否需要行 LGE 检查进行分层（triage），在不影响诊断准确性的前提下，可使超过三分之二的慢性心肌梗死瘢痕评估转诊患者免于 LGE 检查。（临床转化效益）

1、引言

（1）研究意义

心肌瘢痕评估对于缺血性及其他心脏疾病的临床管理和预后具有重要意义。目前评估心肌梗死（MI）和纤维化的影像学金标准是心血管磁共振（CMR）晚期钆增强（LGE）成像，该技术现已在临床实践中常规应用。LGE 的存在及范围可提供关于心肌瘢痕负荷和存活心肌的关键信息，并指导血运重建、风险分层及预后相关的临床决策。然而，LGE 需要静脉注射钆基对比剂（GBCAs），这不仅增加了扫描时间和费用，且在某些患者中属于禁忌。因此，开发无对比剂成像以提高 CMR 的检查效率及普及性（以服务于常规患者诊疗），正受到越来越多的关注。（虚拟增强的优势）

（2）当前不足

目前，利用人工智能驱动的创新技术（如虚拟原生增强，VNE），或可在 CMR 中实现无需对比剂的心肌瘢痕成像。VNE 结合了平扫图像（如 Cine 和 T1 mapping 图像），利用生成式 AI 模型增强这些图像中的内在信号，从而模拟 LGE 图像，无需注射对比剂。VNE 已在肥厚型心肌病和慢性心肌梗死中展现出可行性。

然而，尽管 AI 解决方案具有变革性潜力，但其临床转化仍受限于泛化能力、可重复性、质量控制、可靠性方面的挑战，以及缺乏基于真实临床环境中前瞻性盲法评估的证据。这些标准综合起来，正是许多 AI 创新在证明其临床稳健性时所未能达到的。对于 VNE 而言，在独立中心开展前瞻性、多中心验证研究，对于确立其临床应用潜力至关重要。（目标是能够有效运用到临床）

（3）本文贡献

本研究将一种基于人工智能的技术（VNE）显著推进到了心肌瘢痕评估临床转化的下一个关键阶段。解决了真实世界临床应用中的几个关键挑战，即多中心泛化性、可重复性和质量控制，而这些往往是大多数 AI 技术难以应对或遭遇失败的环节。本文开展了首个前瞻性、真正盲法的多中心验证，以评估生成式 AI 方法在 CMR 无对比剂心肌瘢痕评估中的应用。此外，本研究还建立了一个跨临床影像中心部署 AI 影像的转化框架。在两个常见的临床队列中评估了该技术：疑似缺血性心脏病和存活心肌评估的转诊患者，这两类患者占常规 CMR 转诊的很大比例。

本研究确立了标准，并为 AI 生成诊断影像的临床验证与实施提供了循证路线图，这对于所有使用心脏影像的医师都至关重要，因为心脏影像在患者诊疗中正日益融入 AI 解决方案。

CENTRAL ILLUSTRATION | 将 CMR 虚拟原生增强与 AI “虚拟对比度” 转化为临床实践的路线图：

2、方法

2.1、研究人群与方案

本研究使用前瞻性采集自英国利兹心血管与代谢医学研究所（利兹中心）和中国阜外医院国家心血管病中心（阜外中心）的材料。两个中心均获得了开展本研究的伦理批准。所有患者均签署了知情同意书。LGE 和 VNE 材料可应利兹和阜外研究人员的合理要求提供。

VNE 扫描方案包括3 个短轴层面的平扫 T1 mapping（缩短的改良 Look-Locker 反转恢复序列）、平扫稳态自由进动电影成像，以及增强后运动校正 LGE 成像，且 T1、Cine 和LGE的层面位置相匹配。在研究开始时，使用体模方法对 T1 mapping 序列进行了质量保证（只有三个层面么）。

利兹中心前瞻性、连续性地招募了因临床缺血检查而转诊的患者。这些患者可能有或无既往心肌梗死病史（可能急性可能慢性）。阜外中心前瞻性、选择性地招募了既往诊断为心肌梗死且接受经皮冠状动脉介入治疗、因新发胸痛症状转诊的患者（慢性）。在入组时，LGE 的范围、模式和位置是未知的。

利兹中心使用 1.5T MAGNETOM Aera 扫描仪（软件版本 syngo MR E11，西门子医疗）对患者进行扫描。在注射 Gadovist（钆布醇 0.1 mmol/kg，拜耳医药保健）后 6 至 10 分钟采集 LGE 图像。阜外中心使用 3T Skyra 扫描仪（软件版本 syngo MR E11，西门子医疗）对患者进行扫描。在注射 Magnevist（钆喷酸葡胺 0.1mmol/kg，拜耳医药保健）后 10 分钟采集 LGE 图像。（LGE 图像采集过程：扫描设备不一样，对比剂也不同）

2.2、VNE 图像生成

VNE 采用生成式 AI 模型，整合平扫Cine 成像、T1 mapping 及 IR-weighted 图像（模型输入），通过增强内在磁共振信号，在不使用外源性对比剂的情况下生成虚拟的类 LGE 图像。如其在最初开发阶段所述，该 VNE AI 模型基于单中心采集的 842 例患者资料进行训练。这些资料包括使用 1.5T 和 3T 西门子扫描仪获取的 CMR 扫描图像，来源包括有明确既往心肌梗死（MI）病史且无严重并发心肌病变的患者，以及急性 MI 后 6 个月随访的患者。训练队列的平均年龄为 64岁，男性占比 81%，平均梗死病程为 7 个月。

本研究在独立临床中心以盲法评估了 VNE 技术。为开展本次验证，使用 TensorFlow 和 Python Tkinter 开发了 VNE 部署软件及流程。该流程集成了运动校正神经网络、VNE AI 神经网络和心肌分割神经网络，用于处理原始的 DICOM 数据。未对底层的 VNE AI 模型进行额外微调。对于利兹队列，仅将匿名化的平扫电影图像和 T1 mapping 共享给牛津团队（图 1）。这些图像被输入 VNE 流程以生成 VNE 图像。对于阜外队列，由于机构对数据导出的限制， VNE 软件在本地进行了部署。一名临床研究人员（D.Z.）使用该软件从匿名化的平扫数据中生成 VNE 图像，随后牛津开发团队成员（Q.Z.）前往该中心实地进行 VNE 图像的后处理（图 1）。在进行盲法阅片分析之前，牛津团队（包括Q.Z.）无法获取 LGE 图像。（实验中的数据处理）

Figure 1 | VNE 前瞻性验证的研究设计与数据分析：利兹中心与阜外中心前瞻性完成患者 CMR 扫描；牛津团队基于对比剂增强前图像生成虚拟原生增强（VNE）图像，全程对增强后延迟钆增强（LGE）图像及临床信息设盲。后续开展定性与定量分析，评估 VNE 与 LGE 结果的一致性。图中框选区域展示 VNE 图像的生成与判读流程，该过程对增强后图像及相关信息设盲。

共排除 5 例病例资料：2 例缺少匹配电影序列图像，3 例存在严重图像伪影，最终纳入 88 例患者扫描数据开展本研究。

2.3、VNE 诊断准确性的盲法阅片分析

牛津团队在不知晓 LGE 及额外临床信息的情况下，对平扫电影、T1 mapping 和 VNE 图像进行盲法分析，上述信息均由合作中心妥善保管。

VNE 图像上心肌梗死的存在情况由一名 CMR 心脏病专家（V.M.F.，拥有20年经验，心血管磁共振学会三级阅片医师）进行评分，且未参考额外临床信息或图像（如垂直切面）。患者病例及单个短轴层面被分类为明确的“肯定梗死（definite infarct）”或“无梗死（no infarct）”；若 VNE 显示高信号病变，但诊断确定性受到左心室流出道混杂信号、信号模糊、邻近血池的局灶性强化及图像伪影的影响，则标记为“可能梗死（possible infarct）”。对于“肯定梗死”或“可能梗死”的患者，标记梗死的心肌区域并分类为“前壁”（包括前壁和前间隔段）、“下壁”（包括下壁和下间隔段）和/或“侧壁”（包括前侧壁和后侧壁段），分别对应美国心脏协会（AHA）16 节段模型中的左前降支、右冠状动脉和左回旋支供血区域。（有没有梗死，梗死在何处）

利兹团队（P.T., P.P.S.）和阜外团队（D.Z.）在不知晓 VNE 结果的情况下，基于所有 LGE 图像（包括完整的短轴层叠及正交长轴切面）和健康记录，独立判定瘢痕存在情况以确立金标准。他们将 LGE 分类为二元的“无梗死”或“梗死”，并标记梗死心肌区域。非缺血性弥漫性 LGE 的发现也进行了评分和记录。所有评分均在牛津中心获取 LGE 图像以进行后续瘢痕负荷定量之前完成并锁定。

2.4、匹配层面、多阅片者盲法的 VNE 与 LGE 对比

本研究采集了完整的短轴层叠 LGE 图像，并通常提供基底段、心室中段和心尖段的 VNE 图像。为直接对比VNE与LGE的诊断效能，从完整的 LGE 图像堆栈中提取了与之匹配的 LGE 层面。随后，将 LGE 或 VNE 图像以随机顺序、隐匿来源的方式呈现给临床阅片者，且 VNE 和 LGE 图像均附带相应的平扫 T1 mapping 和电影图像。

使用专用的用户界面，4 名临床阅片者（K.E.T.、A.L.、O.R.、M.L.）对梗死是否存在进行评分；随后询问阅片者，若所视为无对比剂的 VNE 图像，其是否需进一步申请注射 GBCA 以获取相应的 LGE 层面。该问题设定为在任何结果揭晓前作答，旨在无事后调整的情况下，主观评估 VNE 在高置信度子集中的准确性。阅片者还对瘢痕透壁程度进行了评分，采用 <25%、25% 至 50%、50% 至 75% 及 >75% 的分类等级。此外，还对 LGE 与 VNE 图像中的瘢痕负荷进行了定量分析。

2.5、统计学分析

• 本研究采用 Python 3.9.6 版本开展统计数据分析。基于阅片者的分类评分，计算 LGE 作为参照标准时，VNE 序列的诊断准确度。
• 采用线性最小二乘回归分析VGE 与 LGE 测得的瘢痕面积之间的相关性，将 VNE 指标设为自变量、LGE 指标设为因变量，同时计算皮尔逊相关系数与组内相关系数。
• 由于每名患者存在多层切片的重复测量，本研究使用混合效应模型在单切片层面计算相关系数。针对组内相关分析，采用混合效应方差分量法计算ICC ( 3 , k ) \text{ICC}(3,k)ICC(3,k)，保留全部图像层面观测值，并为每个受试者设置随机截距，校正受试者内部数据聚集效应。
• 采用组内相关系数与分类 Fleiss’ kappa 系数评估阅片者间一致性。通过Bland-Altman 分析检验 VNE 与 LGE 定量结果之间是否存在系统偏差。
• 计算受试者工作特征曲线下面积（AUC‑ROC）和约登指数（J），对比 VNE 与 LGE 的瘢痕负荷指标区分有无梗死队列的效能。统计学显著性阈值设定为P < 0.05 P<0.05P<0.05。

3、结果

Table 1 | 独立检测中心心脏磁共振成像队列的患者特征：数据以均值 ± 标准差、中位数（四分位距：Q1-Q3）或例数（百分比）表示。本表展示利兹队列、阜外队列及合并数据集的患者基线资料；临床及心血管磁共振扫描记录中，各指标对应的实际病例数标注于括号内。

Table 2 | VNE 与 LGE 检出心肌梗死瘢痕的方法间一致性：不一致病例（n=6）详见图 2

Table 3 | VNE 与 LGE 评估心肌梗死瘢痕存在情况的一致性：不一致主要源于 VNE 层面覆盖不全，以及微小瘢痕评分的观察者间差异（图 2）。95% CI 标注于括号内。

Figure 2 | 盲法多观察者评估中，LGE 与 VNE 心肌梗死有无评分结果不一致的全部 6 例：加号代表判定为梗死或可疑梗死；减号代表判定为无梗死。灰色区块代表图像层面缺失。
（A）不一致源于 VNE 图像层面缺失：仅存的 1 层 VNE 图像可见基底侧壁小片强化，与 LGE 表现相近，但 VNE 判读者缺少后续同样存在侧壁瘢痕的心室中部层面，难以诊断侧壁心肌梗死。
（B）不一致源于 VNE 图像层面缺失：对应 LGE 层面可见下间隔心肌梗死。
（C）不一致源于观察者间心肌梗死判读差异：LGE 与 VNE 均可见下侧壁薄层心内膜下强化，但判读结论不同；LGE 判读者可获取全部短轴序列及长轴 LGE 图像，更易识别心肌梗死。
（D）LGE 基底层面的左室流出道被误判为瘢痕，而 VNE 判读者将该强化归因于流出道部分容积效应，该结论后续经四腔心长轴 LGE 图像证实；VNE 与 LGE 图像空间视觉匹配性良好。
（E）VNE 假阴性病例：VNE 漏检一处小面积心肌梗死瘢痕。
（F）VNE 假阳性病例：后续结合对应 T1 mapping 与 T1 加权图像证实，该 VNE 信号为脂肪偏共振伪影。

Figure 3 | VNE 慢性心肌梗死模型可显示非缺血性斑片状病灶，与 LGE 结果一致：红色箭头所示：VNE 检出的瘢痕形态与 LGE 具有一致性，提示有望构建通用人工智能模型，实现常见心脏疾病的心脏磁共振增强成像重建。

Table 4 | VNE 与 LGE 在梗死心肌节段上的一致性：VNE 与 LGE 对梗死心肌供血区域判定的总体一致性：全部病例 90.0%，利兹中心病例 90.6%，阜外病例 89.3%。

Table 5 | 基于匹配图像层面评估 VNE 与 LGE 的诊断效能：VNE 可使超过 2/3（69.7%）患者在瘢痕评估时无需使用钆对比剂；其平均诊断准确率为 93.7%，与 LGE（93.9%）相近。

Figure 4 | 对比 VNE 与 LGE 评估心肌瘢痕负荷及透壁程度：
（A）以左室心肌容积占比定量瘢痕负荷时，VNE 与 LGE 相关性良好；该队列中 VNE 与 LGE 测量差值为 3.2%。
（B）定量平均瘢痕透壁程度时，VNE 与 LGE 相关性良好，二者差值为 6.3%；两个队列之间 VNE 与 LGE 的一致性无显著差异（补充图 4）。

Figure 5 | VNE 与 LGE 关于透壁程度的混淆矩阵及 ROC 曲线下面积：
（A）采用半高全宽瘢痕定量方法，以 50% 透壁程度为分界阈值时，VNE 与 LGE 对透壁程度分级的一致性为 84.6%；采用 25%、50%、75% 多档透壁程度分界阈值时，二者一致性为 65.4%。色彩强度仅用于可视化参考。
在合并队列（B）与利兹队列（C）中，基于 VGE 瘢痕负荷进行分类的 ROC 曲线下面积（AUC‑ROC）分别为 0.94、0.90；基于 LGE 瘢痕负荷的 AUC‑ROC 分别为 0.94、0.91。LGE 的 AUC‑ROC 数值略高于 VNE，该结果解读时需注意循环验证偏倚，本研究以 LGE 图像作为心肌梗死诊断的参照标准。文中同时报告了约登指数及其最优分界值。

Figure 6 | VNE 与 LGE 在不同层面及供血区域下瘢痕负荷、透壁程度的一致性：VNE 与 LGE 在单层面（A）以及各供血区域：前壁（B）、下壁（C）、侧壁（D）的瘢痕负荷与透壁程度定量结果均表现出良好一致性。

Figure 7 | 带有节段梗死负荷的 LGE 与 VNE 代表性图像：本图为利兹队列（A）与阜外队列（B）共 6 例患者的代表性图像，上方为 LGE 图像，下方为 VNE 图像。VNE 可准确识别梗死瘢痕的范围、位置及整体节段分布，结果由牛眼图节段模型与透壁程度图展示（右侧）。

Figure 8 | 牛津队列全心脏覆盖的完整短轴序列 VNE 示例图像：（A）LGE 阴性病例。（B～D）分别为前壁供血区、下壁供血区、侧壁供血区慢性心肌梗死患者。图像右侧为生成的透壁程度图。病例来自 OxAMI（牛津急性心肌梗死）研究。

4、讨论

4.1、核心价值与临床效能

本研究完成了用于心肌瘢痕可视化的 AI 技术（VNE）首个前瞻性、盲法、多中心临床验证，成功攻克了多数 AI 技术在临床转化中面临的泛化性差、盲测下准确性低等痛点。结果显示，VNE 诊断心肌梗死的准确率高达 94.4%，其定量结果与金标准 LGE 高度一致（差异处于 LGE 自身的观察误差范围内）。在近 70% 的病例中，VNE 可帮助患者安全免除注射钆对比剂（GBCA）。

4.2、临床应用策略

VNE 当前被定位为快速分诊工具。在图像质量良好且发现明确时，可替代 LGE；若遇微小梗死（如薄壁心内膜下）或易与血池混淆等不确定情况，需补充扫描或转为 LGE。同时，VNE 也为无法使用造影剂的特殊患者提供了可行的替代评估方案。

4.3、机制与未来发展

VNE 的机制在于利用生成式 AI 融合平扫 T1 mapping 和电影图像，增强内在信号以模拟 LGE。未来该技术将致力于：跨磁共振设备厂商的通用化；拓展至心肌炎、淀粉样变等非缺血性/全病种人群；以及实现扫描仪在线的实时自动生成与质控。

4.4、局限性与反思

研究坦诚了设计的局限性：存在“基于 LGE 训练又对照 LGE 验证”的循环偏倚；定量分析时未实现绝对盲法；两个中心的队列特征存在差异（如特定中心缺乏阴性病例、前壁梗死占比较高），可能影响结果的普遍性；且目前的图像均为离线生成，尚未实现实时在线运行。

很全面的验证 (●’◡’●)