超声成像与深度学习结合用于川崎病儿童冠脉病变量化评估
关键词：川崎病；YOLOv8；冠脉内径
冠状动脉病变是川崎病的核心并发症，其诊断与随访高度依赖冠脉尺寸的精确测量。超声心动图无创、易操作、可重复性高，但儿童冠脉管径小、图像对比度低，人工测量依赖经验，观察者间差异明显。本研究基于 2314 例疑似或确诊川崎病儿童的超声心动图，构建 YOLOv8 深度学习模型，自动识别右冠状动脉、左主干、左前降支、左旋支四支血管并测量内径。测试集各分支识别平均精度均超过 80%，模型与专家测量高度一致，自动测量平均用时不足 2 秒，显著快于人工测量，有望成为儿科超声标准化评估的辅助工具。
该研究由 Li-ping Lai、Zuo-lin Li、Qing-fa Liu、Jia-yang Jiang、Liang-qin Wang、Ming-yu He、Min Lin、Xiao-lian Li 与 Shui-ping Li 共同完成，以论文《Deep learning for coronary arteries identification and measurement in pediatric echocardiography》于 2026 年发表于 Pediatric Research。
重要发现
01数据基础与模型构建研究回顾性纳入2021 年 1 月至 2024 年 1 月疑似或确诊川崎病儿童的冠状动脉超声检查，共 2314 次、8766 张冠脉视图图像，从中筛选 3000 张清晰图像构建模型数据集。两名从业超过 5 年的超声医师按统一标准标注右冠状动脉（RCA）、左主干（LMCA）、左前降支（LAD）与左旋支（LCx）四支血管，资深儿科超声医师复核，RCA 中段因样本量有限未纳入。数据按 7：2：1 划分训练集、验证集与测试集，以交并比阈值为 0.5 时的平均精度（mAP50）评估识别性能。
模型采用YOLOv8 目标检测框架，由骨干网络、颈部与检测头构成。骨干以 C2f 模块为基本单元，通过压缩与扩张两阶段完成特征提取；颈部经多尺度特征融合综合骨干各阶段特征图；检测头采用解耦设计，分别完成检测与分类。针对儿科超声图像低对比度、小血管目标的特点，模型在输入分辨率与数据增强上做了适配：图像统一缩放至 640×640 像素，训练采用随机水平翻转、±10° 以内轻微旋转、0.8 至 1.2 倍缩放及亮度对比度调整，批大小 16，训练 100 轮并按验证性能提前停止；推理阶段置信度阈值 0.25、非极大值抑制阈值 0.45。
模型识别流程
模型的测量流程分四步：尺度归一化，依据图像存储的尺度参数将像素距离换算为实际物理长度；轮廓提取，由模型检测结果重建血管二维几何；凸点选择与辅助圆构建，对轮廓点应用凸包算法选取均匀分布的凸点，以任一凸点为圆心、目标框对角线一半为半径作辅助圆，取圆与血管轮廓的交点为测量参考点；垂直测量与计算，自交点向血管内部作垂线，将像素长度按尺度参数换算为内径，多次测量取平均。
02识别性能：四支冠脉的检出表现测试集上，RCA 识别性能最佳，召回率 96.4%、精确率 94.0%、mAP50 达 99.2%；LMCA 次之（93.4%、90.1%、97.0%）；LAD 召回率与精确率略低（90.1%、85.2%），mAP50 仍达 94.1%；LCx 各项指标均低于其他分支（69.4%、82.0%、80.3%）。验证集中，模型识别结果与专家医师分类高度一致（Kappa=0.904，P<0.001）。与既往研究相比，Lee 等以六种深度网络区分不完全川崎病，Kuo 等基于 HarDNet 骨干与 YOLOv4 的冠脉检测平均精度为 72.63%；本模型在 RCA 与 LMCA 上的 mAP50 均超过 97%，关键分支检出性能更优。
03年龄与经验差异下的识别规律
按年龄分组，RCA 识别率随年龄增长，大龄儿童组显著高于婴儿组（P<0.05）；LMCA 在幼儿组与大龄儿童组均显著高于婴儿组（P<0.05）；LAD 与 LCx 各年龄组间无显著差异（P>0.05），检出难度普遍较高。按医师经验分组，专家医师组各分支识别率均显著高于普通医师组（P<0.001）：RCA、LMCA 专家组识别率为 98.4%、98.8%，普通组为 92.7%、93.1%；LAD、LCx 差异更明显，专家组为 84.9%、57.7%，普通组仅为 56.0%、37.3%。模型对 RCA 与 LMCA 的识别率高于 LAD 与 LCx，与后者管径更小、动态显示率更低有关；婴儿组识别率偏低，则与呼吸心率较快、图像采集难度较大有关。
04测量一致性与效率验证
从单名专家医师完成的500 次检查中选取 1500 张清晰冠脉图像，由专家医师、普通医师与模型分别独立测量各分支内径并记录用时。模型与专家医师在各分支上均表现出强一致性，ICC 全部高于 0.75（RCA 0.895、LMCA 0.926、LAD 0.884、LCx 0.780），95% 置信区间窄；Bland-Altman 分析显示，模型与专家的一致性界限在所有分支中最窄，RCA 与 LAD 表现最优。模型与普通医师一致性良好但略低；普通医师与专家医师间一致性总体较高，LCx 最低（ICC=0.676），与该支血管解剖位置深、走行变异大相符。用时方面，专家医师人工测量平均 16.3 秒，普通医师 18.9 秒，模型自动测量平均不足 2 秒，差异显著。综合识别与测量结果，该模型达到与专家医师相当的水平，适用于医疗资源有限的场景，LCx 等困难血管仍需结合专家判读。
模型测量过程
创新与亮点
本研究的创新主要体现在三个方面。其一，突破成像难题：儿童冠脉管径小且随生长发育动态变化，超声图像对比度低、边界模糊，人工测量高度依赖经验、观察者间差异大，基层医院儿科超声专业力量有限，精准识别与测量长期是临床难点。其二，提出新的技术方案：以YOLOv8 端到端目标检测为框架，融合多尺度特征融合、空间注意力与解耦检测头，配套尺度归一化、轮廓提取、辅助圆构建、垂直测量四步几何后处理管线，在单一流程中同时实现多分支识别与高精度量化，超越既往仅聚焦识别的研究。其三，临床价值明确：在川崎病急性期辅助早期发现轻微冠脉扩张，为及时干预提供影像证据；在长期随访中辅助评估未来心血管事件风险；在医疗资源有限的场景助力标准化评估与质量控制，并将测量时间由十余秒压缩至 2 秒以内，显著提升诊断与操作效率。
总结与展望
本研究构建的YOLOv8 深度学习模型，在儿科超声心动图冠状动脉识别与测量中达到与专家医师相当的水平：识别准确率高、测量一致性好、速度优势明显，适用于医疗资源有限的场景，有望成为标准化评估与质量控制的可靠辅助工具；LCx 等显示困难的血管仍需结合专家判读。未来将纳入超声动态视频与时序建模，优化对 LAD、LCx 等困难分支的检测，扩充多中心、多设备数据以提升泛化能力，并经前瞻性临床验证评估其真实临床价值。
论文信息声明：本文仅用作学术目的。
Nguyen MB, Villemain O, Friedberg MK, Lovstakken L, Rusin CG, Mertens L. Artificial intelligence in the pediatric echocardiography laboratory: Automation, physiology, and outcomes. Front Radiol. 2022 Sep 9;2:881777.
doi:10.3389/fradi.2022.881777.
