Cardiac Magnetic Resonance to Define Myocardial Structure in Obesity-Associated Heart Failure.
機器學習演算法將心臟 CMR 左心室全周期分析從手動 43 分鐘壓縮到 2.5 分鐘，14/16 動態充填指標偏差 ≤5%，充填曲線相關係數最高達 r=0.99。
- SuiteHEART ML 演算法在 21 位病人中驗證：分析時間從 43 分鐘縮短至 2.5 分鐘，提速 17 倍，且無需人工介入。
- 16 個射血與充填參數中 14 個偏差絕對值 ≤5%，50% 充填時間點容積相關係數 r=0.99，達臨床可用水準。
- 容積-時間曲線自動區分快速充填、舒張靜止、心房充填三相位，為 HFpEF 舒張功能評估提供直接量化新工具。
心臟磁振造影（CMR）手動分析左心室，平均每位病人需完成 250 至 300 次切面描繪、耗費 43 分鐘——新一代機器學習演算法將同樣的工作壓縮到 2.5 分鐘，提速 17 倍，並同步輸出整個心動週期的充填與射血動態指標，讓舒張功能評估不再只靠兩個孤立的靜態時間點。
43 分鐘、300 次描繪：心臟 CMR 的效率與資訊雙重困境
傳統心臟 CMR 分析高度依賴手動操作。放射科醫師或技師在分析短軸切面堆疊時，必須針對每一個切面的每一格影像逐一描繪左心室內膜輪廓——平均每位病人有 10 個短軸切面，每個切面包含 25 至 32 個格，加總需完成 250 至 300 次輪廓描繪，在本研究中平均耗時 43 ± 14 分鐘，且完全依賴操作者的 CMR 判讀熟練度。
這種流程在臨床現場帶來兩個根本性問題。效率層面，耗時的手動操作使 CMR 在繁忙的臨床日程中難以普及，也限制了更複雜分析指標的應用。資訊完整性層面，傳統分析只提取舒張末期容積（EDV，end-diastolic volume）和收縮末期容積（ESV，end-systolic volume）兩個靜態時間點，計算射血分率（EF）後即告完成，心動週期中大量的動態充填資訊幾乎完全被捨棄。
後面這個問題在評估舒張功能時尤其顯著。舒張功能障礙（diastolic dysfunction）是 HFpEF（射血分率保留的心衰竭）患者的核心病理機制，EF 正常並無法排除舒張功能異常。傳統心超的 E/A 比或 E' 速度提供的是間接估算，若 CMR 能全程量化左心室容積變化，理論上可提供更直接的充填相位資訊——只是此前缺乏有效的自動化工具。
SuiteHEART 架構：大量專家標注訓練心室邊界辨識
Neosoft 公司開發的 SuiteHEART 軟體以機器學習為核心。訓練資料來自大量經專家驗證的輪廓標注，演算法從中學習辨識真實臨床影像中心室內膜邊界的規律，包括在影像品質欠佳時維持穩健分割的能力，這對臨床常規使用至關重要。
工作流程分為兩個階段：首先，初始分割流程自動識別解剖特徵並嵌合輪廓；其次，對心動週期的每一格影像應用「碟片法」（method of disks）逐格計算左心室容積，輸出完整的容積-時間曲線（volume-time curve）。全程無需使用者手動介入，軟體保留手動校正介面以備必要，但本研究刻意不啟用此功能，在最嚴格條件下測試純自動化能力的上限。
研究在 21 位接受臨床 CMR 的病人中進行（年齡 53 ± 18 歲，13 位女性，體表面積 1.9 ± 0.2 m²），使用 1.5T 飛利浦 Achieva 系統配置五通道心臟線圈，採穩態自由進動（SSFP）序列、回顧性 ECG 閘控，空間解析度 2.0 × 2.0 mm，切面厚度 6 mm、間距 2 mm，涵蓋從二尖瓣到左心室心尖的完整短軸堆疊。分析採雙盲獨立設計，SuiteHEART 全自動分析與具備三級 CMR 訓練資格的有經驗閱片者各自獨立完成同一批影像，互不參照，排除錨定效應。從曲線萃取的參數共 16 個，涵蓋 EDV、ESV、EF、充填時間 25/50/75% 時的容積、舒張靜止期容積、快速充填容積（RFV）、心房充填容積（AFV）及其對應分率。
驗證結果：14/16 參數偏差 ≤5%，充填指標 r 最高達 0.99
統計分析整合配對 t 檢定、Pearson 相關係數與 Bland-Altman 分析，提供多層面一致性評估。整體結果顯示，16 個參數中沒有任何一個在 ML 自動分析與手動參考之間達到統計顯著差異。
充填指標的一致性尤為突出：舒張末期容積（EDV）相關係數 r = 0.97，偏差 -3 ± 14%；50% 充填時間點容積 r = 0.99，偏差 -4 ± 12%，是 16 個指標中最高的；75% 充填時間點 r = 0.98，偏差 -4 ± 15%；舒張靜止期容積 r = 0.98，偏差 -3 ± 14%。射血指標方面，ESV r = 0.93，偏差 2 ± 29%；EF r = 0.70，偏差 -4 ± 25%，一致性相對較低，部分反映基底切面邊界辨識的難度。整體而言，14/16 個參數的偏差絕對值 ≤5%，全部 16 個均在 10% 以內，達到臨床可用水準。
唯一例外是快速充填容積（RFV）和心房充填容積（AFV），一致性區間（LOA）分別達到 ±51% 和 ±53%。這兩個參數依賴容積-時間曲線的一階微分，而微分放大了原始曲線的隨機雜訊，導致個別病人差異較大。問題根源之一是基底切面心室-心房交界的判定——此處邊界定義在不同技術間最難標準化，也是演算法後續需要優化的重點。
三相充填動態：快速充填、靜止期與心房收縮的直接量化
容積-時間曲線最大的價值，在於把左心室充填過程分解成三個可量化的功能相位，而非只給出 EF 這個結果。
主動快速充填期（rapid filling）：舒張早期心室主動舒張，腔室壓力迅速下降，血液由心房快速流入，對應微分曲線的第一個顯著波谷。舒張靜止期（diastasis）：心室壓與心房壓趨於平衡後，充填速率顯著降低的中間靜止相，在健康心臟中明確存在，舒張功能異常時可能被壓縮或消失。被動充填期（atrial filling）：舒張晚期心房收縮驅動剩餘血液進入心室，對應微分曲線的第二個波谷。
這三個相位的直接定量——包括 RFV、AFV 及其分率——在現行臨床 CMR 流程中幾乎無法取得，因所需的全周期手動描繪工作量巨大，僅研究場景在特定工具支援下才能完成。SuiteHEART 的全自動方法若獲進一步驗證，有機會打破這道工作流程門檻：閱片者開啟 CMR 影像前，充填分相的動態量化已在後台自動完成，作為舒張功能評估的起點——這對 HFpEF 病人的評估尤有潛力，EF 正常無法提示舒張異常，但充填曲線的形態與各相位容積變化可能提供更早、更直接的線索。
小樣本與微分雜訊：兩個待解問題與未來延伸
本研究主要限制在於樣本數僅 21 人，統計檢定力有限。研究者指出，無任何參數達顯著差異不能單純解讀為「兩者無差別」，必須依賴偏差與一致性區間的大小綜合判斷。入組對象為常規臨床 CMR 病人，排除了心律不整與起搏器植入者，尚不涵蓋解剖結構複雜的特殊族群，這些族群需要另行驗證。
微分曲線的信號雜訊問題是演算法層面的瓶頸：容積變化的小幅波動被微分放大後，使 RFV 和 AFV 的計算穩定性受影響，更優化的曲線平滑流程有望改善。研究者也提出，未來 ML 應用可延伸至壓力灌注影像（辨識灌注缺損）與晚期釓強化（LGE）影像（偵測心肌損傷），形成從動態功能到心肌結構的多參數自動分析管線，系統性減少 CMR 判讀中的觀察者間變異。
機器學習把 CMR 左心室分析從 43 分鐘壓縮到 2.5 分鐘，且 14/16 動態充填指標偏差 ≤5%——若複雜解剖族群驗證充分，舒張功能評估常規化指日可待。