0 引言

       心脏磁共振（cardiac magnetic resonance, CMR）能够综合评价心脏结构、功能、灌注及心肌组织特征，是心肌病、缺血性心脏病、心肌炎及先天性心脏病等心血管疾病诊断、风险评估和疗效评价的重要影像学方法^[1]。然而，CMR检查包含多序列、多时相及多参数信息，其图像后处理流程和结果解释相对复杂，尤其是心室容积、射血分数、晚期钆增强（late gadolinium enhancement, LGE）范围及T1/T2 mapping定量等指标仍较依赖人工勾画和经验判断，存在耗时较长、主观性较强及重复性受限等问题^[2]。近年来，人工智能（artificial intelligence, AI）技术逐渐应用于CMR影像分析。卷积神经网络（convolutional neural network, CNN）、循环神经网络（recurrent neural network, RNN）、Transformer、生成对抗网络（generative adversarial network, GAN）及影像组学等方法，在自动分割、功能定量、组织表征、疾病识别、风险预测、动态时空建模以及图像重建与数据扩增等方面显示出应用潜力^{[3, 4, 5]}。与传统人工分析相比，AI有助于提高CMR后处理效率和定量结果一致性，并进一步挖掘常规影像参数难以反映的高维特征信息^{[6, 7, 8]}。然而，不同研究在数据来源、扫描协议、标注方法和评价指标方面差异较大，现有研究仍多基于单中心或回顾性数据，独立外部验证相对不足，模型在跨中心泛化、结果可解释性及实际应用稳定性等方面仍存在局限^{[9, 10, 11]}。

       目前，国内外已有综述从AI-CMR总体技术发展、图像采集与重建、自动分割、功能定量、疾病诊断及应用前景等角度进行了总结^{[5, 6, 7]}。其中，部分综述侧重深度学习模型在分割、诊断和预测任务中的性能评价，部分研究则重点讨论AI提高CMR检查效率及推动临床应用的潜在路径。上述研究为认识AI-CMR的发展现状提供了重要基础，但其研究目的、技术范围和内容组织方式各有侧重。因此，仍有必要结合近年来动态时空建模、Transformer、生成式模型和基础模型等进展，对不同CMR序列、分析任务、代表性成果及应用局限进行对应整合。基于此，本文以CMR影像分析任务为主线，重点总结AI在自动分割与功能定量、组织表征与疾病鉴别、风险预测、动态时空建模以及图像重建与数据扩增等方面的研究进展，归纳不同技术的适用序列、应用价值和现有局限，以期为AI-CMR相关研究设计、模型优化及后续应用提供参考。

1 文献检索方法

       本文采用主题词与自由词相结合的方式进行文献检索，并结合参考文献追溯法补充相关文献。英文数据库包括 PubMed、Web of Science、Embase和IEEE Xplore；中文数据库包括中国知网、万方数据知识服务平台、维普中文科技期刊数据库和中国生物医学文献数据库，检索时间范围为建库至2026年5月，重点关注2021年1月至2026年5月发表的AI-CMR相关研究，同时纳入少量与CMR自动分割、深度学习模型构建、影像组学分析及临床应用密切相关的经典文献。

       英文检索式主要为：（“cardiac magnetic resonance” OR “cardiovascular magnetic resonance” OR “cardiac MRI” OR “CMR”）AND（“artificial intelligence” OR “machine learning” OR “deep learning” OR “radiomics” OR “Transformer” OR “generative artificial intelligence” OR “GAN”）AND（“segmentation” OR “functional quantification” OR “late gadolinium enhancement” OR “T1 mapping” OR “T2 mapping” OR “myocardial perfusion” OR “risk prediction” OR “dynamic spatiotemporal modeling” OR “image reconstruction” OR “data augmentation” OR “clinical application”）。

       中文检索式主要为：（“心脏磁共振” OR “心血管磁共振” OR “心脏MRI” OR “CMR”）AND（“人工智能” OR “机器学习” OR “深度学习” OR “影像组学” OR “Transformer” OR “生成式人工智能” OR “生成对抗网络”）AND（“自动分割” OR “功能定量” OR “晚期钆增强” OR “T1 mapping” OR “T2 mapping” OR “心肌灌注” OR “风险预测” OR “动态时空建模” OR “图像重建” OR “数据扩增” OR “临床应用”）。

       纳入标准：（1）研究内容涉及AI在CMR图像分析、自动分割、功能定量、组织表征、疾病识别、风险预测、动态时空建模、图像重建、数据扩增或临床应用等方面；（2）文献类型为原始研究、综述、系统评价、专家共识或科学声明；（3）可获得完整文献信息及全文内容。排除标准：重复发表或同一研究数据重复报道的文献；对于同一研究的多篇报道，仅保留研究信息最完整的一篇。经初筛、复筛及全文阅读后，最终纳入文献53篇，其中英文文献51篇，中文文献2篇。

2 AI-CMR自动分割与功能定量

       在CMR分析中，心腔和心肌边界分割是功能定量的基础，心室容积、射血分数及心肌质量等参数均依赖准确的心内膜、心外膜勾画。传统人工分割应用广泛，但耗时较长，且易受操作者经验、图像质量和软件平台差异的影响。对于大样本研究和连续随访而言，上述差异可能降低结果的一致性与可比性，因此自动分割是AI较早应用于CMR领域的重要方向之一^{[6, 12]}。

       在自动分割任务中，CNN及其衍生模型的应用较为广泛。此类方法能够借助cine图像中心腔、心肌及邻近组织的空间特征，自动识别左心室、右心室和心肌轮廓。BAI等^[12]基于UK Biobank数据训练模型，纳入4875例受试者和93 500幅像素级标注图像，并在600例短轴CMR测试集中验证，左心室腔、左心室心肌和右心室腔的平均Dice系数分别为0.94、0.88和0.90；自动测量的心室容积、射血分数和心肌质量与人工测量具有较好一致性，提示深度学习可在较高准确性的基础上实现CMR功能参数自动提取。

       公开数据集和国际挑战赛推动了CMR自动分割算法由单中心模型开发向标准化评价发展。ACDC数据集纳入多种心脏疾病的cine CMR图像，并提供心室和心肌结构标注，为自动分割和疾病分类模型训练提供了重要基础。BERNARD等^[13]基于MICCAI-ACDC挑战赛结果指出，表现较好的深度学习方法可较好复现专家分析，自动提取临床指标的平均相关系数达0.97，自动诊断准确率达0.96，提示标准化公开数据集有助于推动CMR自动分割和诊断模型的客观评价。M&Ms challenge进一步将评价场景扩展至多中心、多厂家和多疾病数据，突出显示跨中心、跨设备泛化能力是AI-CMR临床应用中的关键问题^[14]。此外，多中心心肌灌注CMR研究提示，结合数据自适应和不确定性评估有助于提升分割模型在不同扫描条件下的稳健性^[15]。

       在功能评价方面，AI的应用已不仅限于心室容积、射血分数等常规参数，也逐渐延伸至心肌应变分析。近期研究显示，深度学习可基于长轴CMR完成左心室和左心房分割，并结合特征追踪技术实现自动化应变分析，其与人工分析之间的ICC为0.76~0.88，接近人工操作者间重复性水平^[16]。系统性疾病相关心脏受累研究也提示，特征追踪CMR可从心肌力学层面识别早期功能异常，为AI辅助应变分析提供了重要应用场景^[17]。上述研究表明，AI有助于简化心肌应变分析流程，降低对专用软件和人工操作的依赖，推动CMR功能评价由传统容积测量向更精细的心肌力学评估拓展。

       从临床应用看，自动分割和功能定量的价值不仅在于缩短CMR后处理时间，还在于减少观察者差异，并提高随访及多中心研究中结果的可比性。SCHILLING等^[18]关于实时自由呼吸CMR的研究显示，深度学习分割在静息状态下可达到接近观察者间变异的水平，但在运动负荷等复杂场景下性能仍有所下降。UK Biobank自动批处理研究也提示，大规模AI后处理仍需配套质量控制流程，以保证自动分割、特征追踪和mapping分析结果的可靠性^[19]。

       AI自动分割已在心腔和心肌轮廓识别、射血分数计算及心肌质量定量等方面显示出较高效率和较好一致性，为大样本CMR研究和临床批量化后处理提供了技术基础。但现有模型在复杂解剖结构、图像质量下降及复杂先天性心脏病等场景下仍可能出现分割偏差；不同中心扫描协议、设备厂家和后处理软件差异也可能影响模型泛化能力。因此，未来应加强多中心数据建设，完善质量控制与人工复核机制，推动其向稳定可靠的临床辅助工具转化。

3 AI-CMR组织表征、疾病鉴别与风险预测

       CMR可从组织层面评价心肌病变。LGE主要用于显示局灶性纤维化或瘢痕，T1/T2 mapping及细胞外容积分数可反映弥漫性间质改变、水肿和炎症。传统分析多关注LGE范围和mapping定量值，对病变空间分布、纹理异质性及边界特征的反映相对有限。影像组学可将肉眼难以稳定识别的影像差异转化为定量特征，用于刻画心肌病变异质性，并辅助疾病识别和风险分层^{[8, 9, 10]}。相关综述指出，图像预处理、特征提取、特征稳定性和模型报告标准化是影响心脏影像组学结果可重复性的关键环节^{[9, 10]}。在肥厚型心肌病（hypertrophic cardiomyopathy, HCM）研究中，FAHMY等^[20]发现，基于LGE影像组学特征的模型预测心源性猝死风险时，C统计量高于ESC五年风险评分模型（0.69 vs. 0.57，P=0.02）；将影像组学特征与临床风险模型结合后，预测效能进一步提高；PU等^[21]基于273例HCM患者构建cine CMR影像组学模型识别LGE阳性心肌纤维化，整合模型在测试集中AUC为0.898，提示非增强cine序列中的高维影像特征可能为纤维化筛查提供补充依据。总体而言，影像组学和AI方法的价值不仅在于提高单一诊断指标的准确性，更在于从组织异质性层面拓展CMR对心肌病变表型和风险差异的识别能力。

       在疾病鉴别和表型识别方面，AI可进一步挖掘传统定量指标之外的高维影像特征。WANG等^[22]研究显示，基于native T1图像的深度学习模型鉴别HCM与高血压心脏病的AUC最高为0.830，高于单纯native T1值的AUC 0.545，提示深度学习可从T1图像中进一步提取有助于疾病鉴别的高维特征，并在一定程度上减少对人工特征提取流程的依赖^[22]。除LGE、cine和mapping序列外，负荷灌注CMR也被用于影像组学研究。RAISI-ESTABRAGH等^[23]纳入92例疑似冠状动脉疾病患者发现，影像组学模型识别血流储备分数（fractional flow reserve, FFR）阳性患者的敏感度高于传统视觉分析（53% vs. 41%），提示其可为功能性缺血评估提供补充信息。此外，无对比剂AI-CMR用于心肌梗死识别的研究也在增加，提示cine或其他非增强序列中的时空特征可能为瘢痕或梗死识别提供补充信息^[24]。

       深度学习模型还可基于cine CMR进行心肌病分类，并结合心肌空间形态和时间序列信息辅助判断左心室肥厚病因^{[25, 26]}。大型多中心研究进一步表明，AI可基于cine和LGE CMR完成异常筛查及多类心血管疾病诊断，为自动化CMR解释提供了临床场景证据^[27]。

       在预后评估方面，射血分数、心室大小及LGE有无和范围是当前常用的风险分层指标，但难以解释患者间个体化的预后差异。AI具有整合CMR图像中形态、组织和运动信息的优势，为疾病进展和不良事件预测提供补充依据。以扩张型心肌病（dilated cardiomyopathy, DCM）为例，AMYAR等^[28]研究显示，加入LGE影像组学特征后，模型预测室性心动过速/心室颤动（ventricular tachycardia/ventricular fibrillation, VT/VF）的C统计量在开发队列中由0.61提高至0.71（P=0.028），在外部验证队列中由0.61提高至0.70（P=0.025），其中GLCM autocorrelation特征在开发队列和外部验证队列中均为VT/VF的独立预测因子（HR分别为1.45和2.38，均P=0.01）。类似研究也提示，将LGE瘢痕纹理特征与传统CMR参数整合，可提高对心室重构相关风险的预测能力^[29]。在HCM风险预测方面，机器学习和多模态AI模型已尝试整合临床指标、CMR图像和报告文本，用于预测主要心血管不良事件及恶性心律失常风险^{[30, 31]}。此外，深度学习可直接从cine CMR动态序列中提取心脏运动特征来预测全因死亡，提示心脏运动模式中可能蕴含传统静态参数难以捕捉的预后信号^[32]。

       总体而言，AI-CMR预后模型正在由单一参数分析逐渐转向多模态、多维特征融合，能够整合心脏形态、组织特征、运动模式及临床信息，为不良事件预测和个体化风险分层提供补充依据。然而，目前多数研究仍以回顾性分析和模型性能评价为主，样本量、终点事件数量及外部验证仍有限，不同研究之间方法差异较大，尚未形成统一的风险预测框架。未来应加强前瞻性、多中心及真实世界研究，明确其相对于传统风险评分的增量价值，并评估其对临床决策和患者结局的影响。

4 AI-CMR动态时空建模

       cine CMR能够在整个心动周期内连续显示心脏的运动状态，但传统分析多基于舒张末期和收缩末期两帧图像进行功能参数测量，对中间时相信息利用不足。心肌运动异常、收缩不同步以及早期功能障碍可能蕴含于连续帧的动态变化中，因此，如何从cine CMR序列中提取稳定、可解释的时空特征，已成为AI-CMR研究的重要方向。

       时序模型在CMR动态分析中具有重要的应用价值。CHEN等^[33]提出利用时间一致性的CMR序列心肌分割框架，通过结合常规神经网络和循环神经网络引入序列间时间信息，提高了分割结果的一致性和准确性。FERDIAN等^[34]基于UK Biobank数据构建全自动深度学习框架，利用卷积神经网络进行心肌定位，并结合循环神经网络和卷积神经网络追踪心肌标志点，从而自动计算心肌径向和周向应变。上述研究提示，动态序列中的时间信息不仅可用于提高分割一致性，也可为心肌运动追踪和力学定量分析提供依据。

       在图像质量控制和图像重建方向，时序模型同样具有应用价值。LYU等^[35]采用双向卷积长短期记忆网络（convolutional long short-term memory, ConvLSTM）校正cine CMR运动伪影，通过利用前后帧信息改善图像质量并保留心脏边界细节。此外，部分时序建模思想也被延伸至MRI重建和图像质量优化任务，为提高CMR成像效率和图像稳定性提供了技术基础^[36]。近年来，Transformer相关模型逐渐应用于医学图像分割、CMR多模态分割及心脏MRI重建任务，其优势在于能够整合局部细节与全局上下文信息，为复杂心脏结构和连续运动特征分析提供补充支持^{[37, 38, 39]}。

       总之，动态时空建模使AI-CMR的分析对象从单帧图像扩展至整个心动周期的连续信息，可为动态分割、运动追踪、伪影校正、图像重建和疾病表型分析提供新的技术路径。与传统分析方法相比，时序模型有助于利用中间时相信息，进一步捕捉心肌运动异常和早期功能改变。然而，此类模型结构较复杂，对样本量、序列质量和时间标注一致性要求较高，动态特征的生物学含义及临床可解释性仍需进一步明确。未来研究应进一步结合心肌应变、血流动力学参数和临床结局资料，探索动态特征的生物学意义，并通过自监督学习、基础模型和多中心验证提升模型在不同扫描条件下的稳定性和可推广性^[40]。

5 AI辅助CMR图像重建、增强与数据扩增

       CMR扫描时间相对较长，呼吸状况、心律不齐及患者配合程度等因素均会影响图像质量，同时，深度学习模型需要大量高质量标注数据，而CMR数据获取和人工标注成本较高，罕见病、复杂先天性心脏病样本更为有限。因此，图像重建、增强和数据扩增成为AI-CMR研究的重要方向^[36]。KLEMENZ等^[36]研究显示，基于深度学习重建的cine序列可在减少采集心动周期数的同时保持图像质量和心室容积定量结果一致，3个心动周期采集方案可使长轴和短轴cine序列总采集时间中位数由180 s缩短至90 s。面向欠采样cine CMR的质量感知重建-分析一体化框架，以及自由呼吸实时CMR联合重建分割模型，进一步体现了AI在缩短采集时间和自动化分析之间的联动价值^{[41, 42]}。国内研究也尝试将自由呼吸运动校正人工智能电影序列用于心力衰竭患者CMR左心功能评价，提示AI辅助cine序列优化在提高扫描适应性和功能定量效率方面具有一定临床应用价值^[43]。此外，深度学习方法已被应用于加速采集、图像去噪、超分辨率、运动伪影校正及定量mapping重建等任务，为高效、高质量CMR成像提供了新的技术路径^[44]。

       GAN及其他生成式模型也逐渐用于CMR图像增强和数据扩增。DEMIREL等^[45]研究显示，AI增强图像较低分辨率LGE图像模糊度更低，且与原始高分辨率LGE图像的模糊度差异无统计学意义（0.30±0.03 vs. 0.31±0.03，P=1.0），提示生成式模型在降低采集负担和保持瘢痕显示清晰度方面具有潜力。在数据扩增方面，标签约束的CMR图像合成方法可提高生成图像的解剖合理性，合成数据也可能增强分割模型在不同数据域中的鲁棒性^{[46, 47]}。在儿童及先天性心脏病CMR领域，AI可用于图像采集、重建和定量分析，但数据规模和解剖变异仍是限制因素^[48]。然而，图像质量改善并不等同于临床获益增加，生成式模型可能改变病灶边界、纹理特征或信号分布，从而影响LGE范围、mapping定量及影像组学特征的稳定性。因此，未来研究除评价信噪比、结构相似性和重建误差外，还应进一步关注病灶检出率、定量参数一致性、观察者间一致性及临床决策影响^[49]。

       AI在CMR影像分析中的主要研究进展、代表性成果及临床应用限制见表1。从表1中可以看出，AI-CMR已覆盖图像获取、后处理、疾病识别和风险预测等多个环节，但数据标准化、跨中心泛化、模型可解释性及真实临床获益证据不足，仍是限制其临床应用的重要因素。

点击查看表格

表1  AI在CMR影像分析中的主要研究进展、代表性成果及临床应用限制
Tab. 1  Main research advances, representative findings, and clinical limitations of AI in CMR imaging analysis

6 AI-CMR临床应用的主要限制与未来方向

       尽管AI在CMR自动分割、功能定量、疾病识别、风险预测及图像重建等方面已显示出良好的应用前景，但其在临床应用中仍面临多方面限制。现有研究多集中于单一算法或单一任务的性能评价，而临床应用更注重模型的标准化程度、跨中心泛化能力、工作流整合及实际获益^{[5, 6, 7]}。国内关于心血管影像人工智能的综述也指出，AI在心血管影像中的应用已覆盖图像分割、定量分析、疾病诊断和风险预测等多个环节，但模型验证、数据标准化及临床应用整合仍是进一步推广的重要问题^[50]。CMR具有多序列、多时相及多参数特点，不同中心在设备、扫描协议、图像质量及后处理软件等方面存在差异，可能影响模型性能和结果可重复性^{[10, 14, 15]}。此外，影像组学结果易受到图像预处理、ROI勾画及特征筛选方法影响，深度学习模型则依赖高质量且一致的人工标注。因此，建立规范的数据采集、图像处理、标注及模型报告流程，是推动AI-CMR临床应用的重要基础^{[10, 11]}。

       模型在单中心或公开数据集上表现良好，并不意味着其可直接推广至不同设备、扫描协议和疾病人群。ACDC和M&Ms等公开数据集及挑战赛推动了CMR自动分割算法发展，同时也提示模型稳健性仍需进一步提高^{[13, 14]}。近期针对冠状动脉疾病AI-CMR应用的系统综述纳入106项研究，其中46项涉及分类任务、19项涉及影像组学、41项涉及分割任务，提示当前研究仍以模型分类、特征提取和图像分割等技术验证为主^[51]。未来研究应加强独立外部验证、多中心验证及真实世界评价，并进一步关注AI能否缩短报告时间、减少观察者差异、提高诊断一致性并改善患者管理。

7 小结与展望

       CMR可从结构、功能和组织特征等方面综合评价心血管疾病，AI技术则推动CMR影像分析由依赖人工经验逐步向自动化、定量化和标准化方向发展。目前，AI-CMR研究已覆盖自动分割、功能定量、组织表征、疾病鉴别、风险预测、动态时空建模、图像重建与数据扩增等多个方向，有助于提高后处理效率、降低观察者差异，并拓展CMR影像信息的利用深度。然而，AI-CMR仍处于由技术验证向临床应用过渡的阶段，数据异质性、标注标准不统一、外部验证不足、模型可解释性有限和真实临床获益证据不足等问题仍需解决。未来研究应进一步加强标准化数据建设、多中心前瞻性验证、模型可解释性评价及临床工作流融合，以推动AI更好地服务于CMR精准诊断、风险预测和个体化管理。

       此外，大语言模型和联邦学习也可能成为AI-CMR临床应用的重要发展方向。大语言模型有望用于CMR报告信息提取、结构化报告生成及影像-文本多模态信息整合；联邦学习则可在不共享原始影像数据的前提下促进多中心模型训练和外部验证，为提高模型泛化能力和保护数据隐私提供新的技术路径^{[52, 53]}。