超声心动图分割只需20例标注：新智能体把左室射血分数误差压到4.33%
核心概要
在只有20例本地标注的情况下，一套面向超声心动图视频的智能体框架完成了左心室分割与射血分数估算。它把经低秩适配微调的视频分割基础模型、由掩膜引导的长轴回归模块和自然语言交互层串成一条流程，在Mayo Clinic的98例队列上把射血分数中位绝对误差从5.47%降到4.33%，落在±10个百分点内的病例比例从80.6%升到83.3%。在公开数据集EchoNet-Dynamic上，该框架的分割Dice为0.934，射血分数中位误差为4.24%。
深度剖析
超声心动图左心室分割与射血分数估算可以在极少站点标注下完成，医生用自然语言提问即可拿到结构化报告。 此前全监督模型依赖目标机构的大量标注数据，而零样本迁移到新机构时射血分数误差明显偏大。 在Mayo Clinic的98例队列上，仅用20例标注适配后，射血分数中位绝对误差为4.33%，83.3%的病例落在±10个百分点内；未做该机构适配时为5.47%和80.6%。
分割结果被直接接到心功能量化上，逐帧掩膜先转成腔面积曲线，再据此定位舒张末期与收缩末期。 单平面面积-长度法需要掩膜面积和心尖到二尖瓣中心的长轴长度，而用椭圆拟合或掩膜主轴推长轴对边界不规则敏感。 长轴由AxisHead从掩膜与图像特征回归出两个端点坐标，该模块约3.3万参数，在EchoNet-Dynamic上用伪标签训练后再按同样的少样本协议校准。
交互层把医生的自然语言请求映射到已注册的分析函数，而不是让模型自由生成分析代码。 此前的分割与量化流程需要程序化调用，医生无法通过对话直接使用。 在四类代表性查询中，舒张末期与收缩末期识别、射血分数计算被正确路由；含义相近的“泵血效率”请求先触发澄清再改路由，超出功能范围的心室壁应变分析请求被直接拒绝。
启示与展望
展示范围是左心室分割与单平面面积-长度法射血分数估算，评估覆盖EchoNet-Dynamic、Mayo Clinic的98例队列和CAMUS公开基准。CAMUS只提供帧级轮廓、没有完整周期视频，因此仅评估舒张末期与收缩末期分割，不评估射血分数。交互层面向临床医生，通过自然语言调用已注册的分割、相位提取和射血分数计算函数。
射血分数误差呈重尾分布，偏差主要来自少数失败病例，定性观察显示差异多出现在收缩末期和射血分数降低、室壁运动异常的病例。研究未做预设的疾病特异性或图像质量亚组分析，因此无法判断这些离群病例是否与特定诊断、心尖结构异常或声窗质量相关。路由层采用结构化的硬编码决策逻辑而非开放式推理，Mayo队列来自单一机构，跨站点与跨厂商的泛化仍需验证。