近年来，随着心血管影像尤其是CMR技术的飞速发展，各类数据呈指数增长，其中蕴含的大量信息都可以通过人工智能技术加以分析利用。目前心血管影像领域人工智能研究尚在起步阶段，而据现有的研究结果显示，AI在心血管影像的一系列研究方向中，包括图像采集重建、图像自动分割识别、疾病识别分类及预后判断等方面已表现出巨大的潜能。

如何缩短心脏磁共振检查时间一直是困扰医工领域的难题。临床常利用压缩感知方法,从低采样数据中精确重构出信号,从而有效减少成像时间。而通过AI深度学习可有效减少磁共振成像时间。目前，Qin等提出了一个新的递归卷积神经网络架构,利用数据时间序列关系,优化迭代算法性质，从欠采样K空间重建并得到高质量心脏MRI图像，从而大大地缩短了成像时间。该方法通过学习时间依赖和迭代来进行有效的重建，其过程只利用极少数的参数，在重建精度和速度方面优于当前传统的MRI重建方法。

此外，Schlemper等使用深度多层卷积神经网络，利用欠采样数据，加速数据的采集过程重建二维MRI图像，也能够减少成像时间。在控制重建误差及重建速度方面均优于最先进的二维压缩感知方法。该模型重建每个完整的动态序列的时间少于10 s，其中每帧二维图像的重建可以在23 ms内完成，从而达到实时成像的要求。

目前临床中常通过手动方法勾勒图像上心内膜壁的位置用以计算射血分数和心肌壁运动，但该方法分割精度不足，并存在较大的组间观察者差异。AI的引入可显著提升心内膜分割精度。AI通过全自动分割2D和3D电影图像中的心内膜，实现心脏影像的自动测量，同时进行射血分数计算和区域运动的评估。

Knackstedt等发现AI可对左心室射血分数和平均双平面纵向应变（longitudinal strain，LS）进行全自动、快速及可重复性的评估。该试验纳入了4个中心255名窦性心律的测试对象，使用视觉估计和手动追踪评估超声心动图的心尖四腔和两腔心视图，随后将数据集保存在集中式数据库中，利用机器学习软件（AutoLV，TomTec-Arena 1.2，TomTec ImagingSystems，Unterschleissheim，Germany）全自动测量射血分数及LS。结果显示该自动测量方法时间明显缩短，大约只需8 s，且在98%的患者中是可行的。

Avendi等联合深度学习算法及形变模型，在心脏MR短轴位图像中全自动分割左心室。研究首先利用卷积神经网络自动探测左室腔，随后采用整合了形变模型的栈式自编码器勾勒左室形状，以此提高分割的准确性及稳定性。该模型与数据库中的左心室分割结果对比，Dice系数高达0.94。Lekadir等利用深度学习自动识别超声颈动脉超声成像的斑块成分。该研究使用卷积神经网络构建模型，训练并验证90 000例超声颈动脉图像。该模型能自动评价斑块的脂质核心，纤维帽以及钙化组织的成分，结果与临床专家评价的一致性达到0.90。

此外，Wolterink等利用CT冠状动脉动脉造影自动定量评价冠状动脉积分，该研究纳入了250例同时接受了冠脉CTA及心脏钙化积分（cardiac calcium scoring CT，CSCT）扫描的患者，采用配对卷积神经网络识别CT冠脉动脉造影钙化积分。与CSCT结果相比，钙化斑块的质量积分一致性为0.944，且83%患者的Agatston积分风险评估一致。提示CT冠脉造影能准确、定量评价钙化斑块积分，有望在将来减少不必要辐射剂量。

AI模型还可通过提取心脏影像特征实现疾病的诊断与鉴别诊断。Narula等使用集成算法框架，尝试从运动员生理性肥大心脏中自动识别肥厚型心肌病（hypertrophic cardiomyopathy，HCM）。该试验纳入了77例心脏生理性肥大运动员和62例HCM患者，集合了支持向量机、随机森林和人工神经网络等三种不同的机器学习模型用以识别运动员及HCM心肌。与舒张早期-末期经二尖瓣流速比，平均舒张早期二尖瓣环运动速度及应变等传统超声心动图参数相比，机器学习模型有着更高的诊断灵敏度和特异度。

Sengupta等纳入了50例缩窄性心包炎和44例限制性心肌病患者的临床和斑点追踪超声心动图数据，采用基于联想记忆分类器的机器学习算法模型进行疾病的诊断，并通过10折交叉验证评估模型诊断效能。结果发现仅单独使用斑点追踪超声心动图的变量，该模型的诊断AUC值即可达到89.2%；再增加额外的4个超声心动图变量后，AUC值提高到96.2%，明显高于舒张早期二尖瓣环速度（82.1%）和左心室纵向应变（63.7%）两个传统参数。

在CT及CMR领域，Baessler等利用纹理分析在常规非增强的磁共振扫描序列上识别心肌梗死。该试验纳入了120例心肌梗死患者和60名正常人，通过影像组学软件（MaZda，version 4.6; Institute of Electronics，Technical University of Lodz，Lodz，Poland），利用特征选择分析方法，在CMR电影序列上进行降维和纹理特征选择，判断心肌梗死情况，最后再与延迟强化序列进行对照。模型筛选出如下五个独立的纹理特征能区分缺血性瘢痕和正常心肌：Teta1，Perc.01，Variance，WavEnHH.s-3和S （5,5） SumEntrp。对比多个逻辑回归模型结果后发现，基于Teta1和Perc.01的模型在MR电影图像上诊断心肌梗死可达到较高的准确性。

Zreik等利用深度学习方法自动识别患者冠脉CT血管造影（coronary computed tomography angiography，CCTA）图像中局部心肌异常，从而推断出支配该区域的冠状动脉病变。该研究纳入了166例同时接受了侵入性血流储备分数（fractional flow reserve，FFR）检查及静息状态下CCTA扫描的患者。

研究首先利用多尺度卷积神经网络对患者CCTA图像中的左心室心肌进行整体分割，然后将左室心肌进一步分成许多有着空间连接关系的簇，并利用无监督自动编码统计数据计算提取每簇心肌的特征；接下来根据提取出的特征使用SVM分类器对这些心肌进行分类，从而判断患者是否有冠状动脉功能性狭窄。

该研究分别使用了20张CCTA图像训练左室心肌的分割及左室心肌自动编码器，结果显示20张图像中左室心肌分割的定量评估Dice系数平均为0.91；接下来进行10折交叉验证试验，在剩余的126个CCTA扫描中进行患者分类，其诊断的AUC值为0.74±0.02。该研究结果表明，AI在未观察患者冠脉解剖结构的情况下，通过静息CCTA图像中心肌的自动分析即可判断冠状动脉的功能性狭窄，将来有望减少不必要的侵入性FFR检查。

现阶段临床判断患者的远期预后大部分基于有限的临床及影像学参数，而通过训练与学习，AI可同时提供更多、更复杂的变量。Motwani等通过机器学习模型提高预测发生心脏事件的能力。该试验纳入了10 030例疑似冠状动脉疾病患者临床资料及其5年随访记录，共评估了25个临床指标和44个CCTA参数。研究选择信息增益排名的自动特征选择方法提取高危因素，采用具有集成算法框架的模型构建算法，并利用10折分层交叉验证评估结论。

与单独的弗雷明汉风险评分（framingham risk score，FRS）或CCTA严重性评分相比，机器学习表现出更准确的全因死亡率预测能力。Van Rosendael等利用机器学习分析源自CCTA的16段冠状动脉树信息，发现与目前的CCTA的风险评分相比，基于机器学习算法创建的风险评分有着更高的预后准确性。

Dawes等通过监督式机器学习模型预测肺动脉高压患者的远期生存率。该试验纳入了256例接受CMR检查的肺动脉高压患者，将CMR短轴电影图像半自动分割为30 000个运动节点，创建右心室运动的三维模型，并利用右心室心肌运动幅度预测患者远期预后。在加入常规成像和血流动力学，功能和临床标志物等指标后，该模型的生存预测性能得到进一步改善，明显优于右室射血分数。

Arsanjani等利用机器学习方法预测冠心病患者的早期血运重建。该研究纳入了713例冠心病患者，其中372例接受血运重建。模型从SPECT心肌灌注（myocardial perfusion SPECT，MPS）图像中得到定量特征，随即通过自动特征选择算法，从提取的SPECT信息及临床指标中选择可用的特征；然后通过增强的集成机器学习算法（LogitBoost）预测血运重建事件，最后使用交叉验证的方法评估和比较模型预测性能。结果提示机器学习的预测准确性（AUC，0.81±0.02）与其中一名诊断医师（0.81±0.02）相似，优于第二名诊断医师（0.72±0.02）和缺血灌注参数（0.77±0.02）。