基于深度学习的肺动脉高压影像诊断研究综述.docVIP

基于深度学习的肺动脉高压影像诊断研究综述

一、肺动脉高压影像诊断的临床需求与传统方法局限

肺动脉高压（PulmonaryHypertension,PH）是一种以肺血管阻力进行性升高为主要特征的致命性心肺血管疾病，其血流动力学诊断标准为海平面静息状态下右心导管检测肺动脉平均压≥25mmHg。由于疾病早期症状隐匿，患者确诊时往往已处于心功能失代偿阶段，5年生存率不足40%。影像学检查作为PH筛查、诊断、预后评估的核心手段，目前临床常用方法包括超声心动图、胸部CT、心脏磁共振成像（CMR）、右心导管检查等，但传统影像判读模式存在显著局限：

超声心动图是PH首选筛查技术，通过三尖瓣反流峰值流速估算肺动脉收缩压，但该方法高度依赖超声医师操作经验，对于肥胖、肺气肿患者图像质量差，诊断准确率波动于60%-85%，且难以区分PH的具体分型。胸部CT血管造影（CTA）可清晰显示肺血管形态学改变，如主肺动脉直径增宽、肺外周血管稀疏、右心室增大等征象，但阅片医师需逐帧分析数百幅断层图像，平均耗时超过15分钟，对亚临床型肺血管微病变的识别灵敏度不足30%。CMR作为评估右心功能的金标准，可定量测量右心室射血分数、心肌质量等功能参数，但扫描时间长、费用高，重症患者常无法耐受，且图像后处理需要专业技术人员手动勾画心腔边界，可重复性不足。

传统影像诊断模式的核心痛点在于：一是依赖医师主观经验，不同资质医师判