[論文發表] 2025 JAMA Letter發表《AI-Enabled Echocardiography Interpretation With Multitask Deep Learning》

 

[論文發表] 2025 JAMA Letter發表《AI-Enabled Echocardiography Interpretation With Multitask Deep Learning》

https://tcmcmc.blogspot.com/2026/04/AIEKGJAMALETTER.html
https://www.facebook.com/share/p/14a9oZTKp6b/
https://jamanetwork.com/journals/jama/article-abstract/2840718

Wu PH, Ho YY, Chang CM. AI-Enabled Echocardiography Interpretation With Multitask Deep Learning. JAMA. 2025 Dec 2;334(21):1952-1953. doi: 10.1001/jama.2025.16625. PMID: 41160021.

很高興與大家分享，我們自體免疫暨乾眼症客觀量測實驗室(AIDDES Lab)最近的成果，我與國立陽明交通大學傳統醫藥研究所碩士班吳品萱同學共同撰寫的 Letter to the Editor，針對研究《AI-Enabled Echocardiography Interpretation With Multitask Deep Learning》所撰寫的 Letter to the Editor，已正式刊登於JAMA！

這篇研究利用人工智慧（AI）自動判讀心臟超音波並生成報告，在多個資料集上展現出相當高的準確性，為未來 AI 導入心臟影像臨床流程奠定了重要基礎。儘管成果令人振奮，我們從「臨床可驗證性、公平性與疾病分級精細度」三個面向，提出以下三點核心問題：

1. 缺乏與人類專家的盲性直接比較，臨床可替代性仍待確認：
   作者雖指出訓練標籤來自合格心臟科醫師依循標準規範所撰寫的報告，但研究中並未進一步進行 PanEcho 與獨立專家判讀之間的盲性比較，也未分析不同判讀者之間的一致性。由於心臟超音波本身在邊界性或模糊病灶上常具有一定主觀性，若缺乏與多位專家之間的對照，就仍難判斷此模型究竟是能重現、輔助，還是超越臨床判斷
2. 外部驗證雖跨國，但族群組成偏白人，公平性與可推廣性仍有限：
   研究雖納入美國與匈牙利的外部驗證資料集，但多數 cohort 的受試者以白人為主，部分資料集甚至接近全白人組成。雖然作者簡要提及 demographic parity，但並未進一步呈現不同種族或族群的亞組表現分析，也缺乏正式統計比較。考量心臟結構與超音波參數本就可能受到人口學差異影響，若無更細緻的公平性驗證，模型的廣泛臨床應用仍需審慎看待。
3. 疾病嚴重度分類過於二分化，可能削弱早期異常偵測能力：
   研究中多數分類任務將結果簡化為「中度以上」對比「無或輕度」，這樣的設計雖有助於模型訓練，卻略過了臨床上最常見、也最具挑戰性的「正常與輕度異常」之間灰色地帶。此外，訓練標籤部分來自臨床報告，部分則透過閾值映射而得，可能導致疾病嚴重度定義不一致。對於真正重視早期診斷的臨床實務而言，未來應更重視細緻分級與標準化定義下的模型表現。

我們認為，未來若要讓 AI 心臟超音波判讀工具真正走入臨床，至少應補強三個方向：

1. 第一，納入與多位專家之間的盲性頭對頭比較與一致性分析；
2. 第二，進行不同種族與族群的亞組驗證，以提升公平性與外部效度；
3. 第三，強化輕度異常與早期病變的辨識能力，並建立更一致的疾病分級標準。

我們在Letter中想強調的是，這類 AI 工具的發展方向值得肯定，但若要真正進入臨床，仍需要更完整的人機比較、更清楚的公平性分析，以及更細緻的疾病分級驗證。

https://jamanetwork.com/journals/jama/fullarticle/2835630

Holste G, Oikonomou EK, Tokodi M, Kovács A, Wang Z, Khera R. Complete AI-Enabled Echocardiography Interpretation With Multitask Deep Learning. JAMA. 2025 Jul 22;334(4):306-318. doi: 10.1001/jama.2025.8731. PMID: 40549400; PMCID: PMC12186137.