Study: AI Model Can Read Cardiac MRI Scans with Near Expert Accuracy

僅憑無對比劑的心臟磁振影片，AI 在四萬筆回顧篩檢中，直接抓出 112 名被專科醫師漏診的肥厚型心肌病變。這項將影像與文字報告綁定的基礎模型，免去人工標註即對 39 種心臟病達到 AUC 0.97 的驚人辨識力。

基礎模型打破人工標註的心臟影像枷鎖

回顧過往的心臟影像深度學習，多數研發團隊往往陷入了無止盡的人工標註泥淖。傳統做法極度依賴 nnU-Net（自動調架構的切割框架）這類演算法，必須將左心室、右心室與心肌的內外輪廓一筆一筆畫出來，再透過幾何公式推算各項容積指標。這種做法不僅耗費大量高階放射科醫師的時間，且一旦遇到心臟結構嚴重變形、心尖部假影或是局部收縮停滯，切割演算法往往會直接崩潰。這篇由賓州大學（Penn Medicine）團隊主導、發表於《Nature Biomedical Engineering》的突破性研究，徹底揚棄了這種見樹不見林的像素級切割，轉而擁抱近年在自然語言處理領域大放異彩的基礎模型概念。

作者採用了全新的多模態對比學習架構，將心臟磁振造影（Cardiac MRI）的動態影片直接與放射科醫師打好的歷史文字報告進行配對。你可以把這個訓練過程想像成 AI 在「看圖說故事」，模型透過成千上萬次的交叉比對，自己學會了文字報告中的「非對稱性左室肥厚」與動態影像上的中膈異常增厚特徵是完美對應的。這意味著我們不再需要請一整排住院醫師去描繪心肌邊界，AI 能直接從報告中汲取專科醫師累積數十年的先驗知識。對於那些缺乏次專科醫師的社區或偏鄉醫院而言，心臟 MRI 的判讀門檻極高，這項進展精準打擊了臨床工作分配不均的痛點。更重要的是，它讓醫院影像系統裡那些堆積如山、只有純文字報告而缺乏標註圖層的歷史檔案，瞬間變成了訓練頂尖 AI 的龐大金礦。

涵蓋三十萬組動態影片的免對比劑訓練集

從收案的龐大資料規模來看，這項研究所建構的資料庫絕對是業界罕見。研究團隊從近 20,000 名病患的歷史紀錄中，總計萃取出高達 300,000 支心臟 MRI 動態影片（cine video clips）。這代表平均每位病患貢獻了約 15 組不同切面的影像，涵蓋了標準的短軸切面（short-axis stack）以及兩腔室、三腔室與四腔室等長軸切面。值得注意的是，這些訓練資料完全聚焦於無對比劑的常規平衡穩態自由進動序列（bSSFP），屏除了複雜的進階造影。

刻意限定在無對比劑影像的策略極具臨床考量。站在放射科的操作實務面，免除顯影劑不僅能將病患躺在機台上的掃描時間大幅縮短，更避開了腎功能不良患者對於釓對比劑（Gadolinium）可能引發腎因性全身纖維化的致命疑慮。傳統觀念往往認為，缺少了組織特性的對比顯影，就很難精準評估心肌內部的細微病變；但這個 AI 模型透過精準捕捉心室壁在整個心動週期中的時空動態變化，彌補了缺乏顯影的劣勢。模型不需借助繁冗的流固耦合 CFD（把血流當液體模擬算血管受力）來推算壓力梯度，而是直接從原始的短軸與長軸影片中提取高維度的時空特徵。這種純粹依賴最基礎影像的設計，大大提升了模型未來在基層醫院廣泛部署的強大泛用性。

Table 1 的射出分率與 39 種疾病效能

若仔細檢視論文中的量化成果，這個基礎模型的實力遠超過單純計算容積的傳統演算法。對於心臟科與放射科最常看重的左心室射出分率（ejection fraction, EF），該模型達到了與人類專科專家幾乎零誤差的評估水準。Figure 3 畫出了 AI 預測值與專家手動描繪結果的散佈圖，兩者在極端值區間依然保持著高度對齊。過去傳統的影像切割 AI 模型，在處理嚴重的心臟收縮功能障礙時，常因為邊界模糊而導致計算崩潰；但本研究的模型在辨識極端且嚴重的重度心臟失能（severe heart dysfunction）患者時，展現了遠優於傳統 AI 方法的穩定性。

更令人振奮的是 Table 1 裡羅列的 39 種心臟病變分類效能。無論是肥厚型心肌病變（hypertrophic cardiomyopathy）還是擴張型心肌病變（dilated cardiomyopathy），模型在各項診斷指標上都繳出了極度優異的成績單。Table 1 顯示，其辨識特定心肌病變的接收者操作特徵曲線下面積（AUC）最高達到了 0.97。這個驚人的數字意味著模型不僅能分辨出正常與異常的二元分類，還能在錯綜複雜的形態學上，精準區分到底是心臟腔室過度擴大導致的收縮無力，還是心室壁異常增厚造成的舒張受限。這種一次涵蓋數十種疾病的廣泛辨識能力，正是基礎模型比起過去單一專科化 AI 最具破壞性創新的核心價值。

四萬筆常規篩檢抓出 112 例漏診肥厚心肌病

如果只有在封閉測試集裡表現完美，那這只不過是一篇典型的演算法文章；然而，本研究最具震撼力的部分在於其大規模的回顧性應用驗證。團隊將這個預訓練模型投入到超過 40,000 筆真實歷史掃描檔案的龐大資料庫篩檢中。結果出乎所有專家的意料：AI 從這片茫茫的正常與異常混合影海裡，硬生生挑出了 112 例過去被專科醫師完全漏看、且從未在正式報告中提及的肥厚型心肌病變（HCM）。

若深入次群組分析去細究這 112 例的特徵，其實不難理解放射科醫師在日常高壓工作下的視覺盲點。這些漏診的病患，許多原本是來做單純的缺血性評估或是瓣膜問題追蹤。當判讀醫師的注意力被主要臨床主訴限縮時，往往只專注於尋找心室壁的運動遲緩，而忽略了非對稱性的輕度中膈肥厚，或是極難在單一短軸切面上察覺的心尖型肥厚。這個 AI 模型就像是一個不知疲倦且沒有預設立場的觀測者，它平等地掃視每一吋心肌的動態變化，將這些早期且還有機會介入治療的罕見病變準確標記出來。對於那些本身沒有配置專職心血管影像專家的基層機構而言，這意味著許多隱匿的致死風險能在病患發生心因性猝死前被成功攔截。

無對比劑策略的先天限制與 LGE 盲區

當然，回歸到臨床實務，任何依賴單一模態的影像模型都有其物理特性的先天極限。在 Discussion 段落中，作者坦承這個完全依賴無對比劑影像的系統，在某些特定病理機制的確診上仍顯得力有未逮。由於模型的訓練與推論來源僅限於動態影片，它無法像延遲顯影（Late Gadolinium Enhancement, LGE）技術那樣，直接看見心肌內部的纖維化、微小結疤或是類澱粉蛋白的異常沉積。

在實際看片時，我們都清楚 LGE 才是確診許多浸潤性心肌病變，或是分辨缺血與非缺血性心肌病變的絕對黃金標準。當 AI 僅能依靠心室的異常增厚與運動遲緩等次級徵象來推測疾病時，它或許可以敏銳地告訴你這顆心臟有問題，但未必能斬釘截鐵地回答確切的病因是什麼。此外，若沒有結合 T1/T2 mapping（利用磁振量化組織的水腫與纖維化程度），模型也難以區分急性的心肌水腫與慢性的陳舊性病變。這正是未來必須透過前瞻性臨床試驗去補足的拼圖；目前研究團隊也正著手將訓練資料庫擴展至數萬筆包含更多造影模態的額外掃描，試圖突破純動態影片的診斷天花板。

給放射科同行的部署建議與開源展望

這篇論文最令學術界振奮的決定，莫過於團隊將這個預訓練模型完全免費釋出供學術使用。對於正在尋求智慧化轉型、卻又苦於無力負擔高昂商業軟體的放射科部門來說，這無疑是一套現成的強大武器。如果你身處於醫學中心，這個模型非常適合用來串接 PACS 系統，作為影像報告的自動化預填工具；它可以快速且穩定地完成那些耗時的心室容積與射出分率估算，讓醫師將精力集中在更複雜的病理分析上。

若是對於缺乏心臟次專科醫師的地區醫院，這套系統完全可以當作強大的線上分流引擎。放射科部門可以設定讓 AI 自動在背景掃描所有當天完成的常規心臟 MRI，一旦它抓出潛在的罕見心肌病變或是嚴重的收縮功能異常，便立刻在系統中亮起紅燈，優先將該筆高風險影像推播給外部支援的醫學中心專家進行二次確認。我們不再需要強求每一位值班醫師都具備頂尖的心血管影像判讀功力，而是利用這個基礎模型，為所有的病患建立起最堅實且不知疲勞的第一道防線。

下次在非心臟主訴的常規掃描中看到輕微的心室壁異常運動時，先別急著只回覆主訴，把短軸每一層掃完確認有沒有隱匿的肥厚型心肌病變吧。