A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction

心脏是一个不知疲倦的泵，但就像任何机器一样，它也会磨损，尤其是在与癌症搏斗的时候。化疗药物是对抗肿瘤的强大武器，但它们有时会损伤心肌，这种副作用被称为心脏毒性。及早检测到这种损伤是一场与时间的赛跑。目前，医生主要依靠两种方式来检查心脏健康。第一种是衡量心脏每次跳动时泵出的血液量，这是一个反映大局的标准指标。第二种是一种更敏感的工具，它追踪心脏肌肉本身细微的拉伸和收缩，通常能在“大局”显示出任何压力迹象之前就发现问题。挑战在于，这些信号隐藏在复杂的心脏运动图像中，而识别最早期的预警信号往往需要人类专家手动描绘心脏边界并计数心跳，这是一个缓慢且容易产生人为误差的过程。

GE医疗科技的一支研究团队开发了一种新的计算机系统，旨在以更高的速度和准确度读取这些心脏视频，目标是在损伤变得不可逆转之前发现问题。研究人员并没有从零开始教计算机理解心脏图像，而是将他们的系统构建在一个庞大的、预训练的“基础”模型之上。可以将这个基础模型想象成一名已经学习了数百万张通用图像，并学会了识别形状、纹理和模式的学生。随后，研究人员为这名学生开设了一门专门的心脏视频课程，教它专注于测量心脏功能和预测药物相关损伤所需的特定细节。这种方法使得系统即使在可用于训练的患者视频数量相对较少的情况下，也能快速且准确地学习。

研究人员利用来自欧洲患者的大量心脏超声视频，在三个不同的任务上测试了他们的系统。第一个任务是计算心脏泵出的血液百分比，这是诊断心力衰竭的关键数值。第二个任务是根据心脏肌肉的拉伸模式，对心脏肌肉是否显示出功能障碍进行分类。第三个任务，或许也是最困难的任务，是仅利用基线心脏扫描，在患者开始治疗之前就预测哪些患者会出现化疗引起的心脏损伤。为了处理这些不同的目标，该系统采用了一种巧妙的策略：它保持其核心知识处于冻结状态，但为每个特定工作添加了小型、灵活的“适配器”。这意味着系统可以学习泵血量的独特视觉线索，而不会将其与肌肉拉伸的线索混淆，从而确保每项任务都能以高精度完成。

这项工作的一个关键创新在于系统如何处理心脏跳动的时机。在传统方法中，计算机可能需要被告知心脏何时完全放松以及何时完全收缩，以便进行测量。然而，这个新系统学会了自主理解心脏的节奏。它可以直接从视频的视觉内容中推断出必要的时序信息，而不需要任何外部标签或人工标记来告诉它每一跳的开始和结束。这使得系统在现实应用中更加稳健且实用，因为在实际场景中，这类精确的人工标签往往是缺失的。针对测量泵血量的特定任务，团队还创建了一个独立的专门模型，该模型将完整的视频运动与对心脏最关键的放松和收缩时刻的聚焦结合起来，模拟了人类医生在不同时间点对心脏状态进行心理对比的方式。

研究结果表明，这种新方法的效果非常出色。在测量心脏泵血量方面，该系统的平均误差仅略高于5%，而专门的模型将这一误差降低到了5%以下，达到了足以媲美人类专家的准确水平。在检测细微的肌肉功能障碍方面，该系统在近77%的情况下正确识别了问题。最值得注意的是，在预测化疗引起的早期心脏损伤方面，该系统识别高风险患者的能力显著提升，在超过70%的案例中能正确对患者进行风险排序，这比以往的方法有了实质性的飞跃。这些发现表明，通过利用强大的预训练视觉知识并将其仔细适配于医疗需求，计算机可以成为保护癌症患者免受心脏损伤的有力盟友，为早期干预并潜在地挽救生命提供了一种途径。