肿瘤医生在启用新的酪氨酸激酶抑制剂（TKI）、抗体药物偶联物（ADC），或开放临床试验新组别前，往往需要通过心脏筛查判断治疗是否安全。在肿瘤领域，心脏评估常成为治疗的“限速步骤”。但如果一份心电图（ECG）就能预测风险、提示结构性心脏病的状态，帮医生更快做出更优治疗决策呢？

如今，这一设想已成为现实。AI不再局限于解读心电图或自动生成超声心动图报告，更在重新定义肿瘤治疗中“心脏 clearance（心脏评估达标）” 的实现方式。

一、现状：心脏评估是肿瘤临床的 “瓶颈”

肿瘤患者需要通过多项心脏评估，确认自己能否耐受新治疗，这些评估却常带来一系列问题。治疗延迟：比如使用劳拉替尼、奥希替尼等口服TKI前，需通过QTc监测评估心率；使用曲妥珠单抗-德鲁替康等HER2阳性肿瘤治疗方案前，需检测基础射血分数；甚至做活检、肿瘤切除等操作前，也需完成心脏评估。

可及性与公平性问题：心脏检查需求大，患者常需时间等待；农村地区患者可能面临本地无检查条件或选择极少的困境。

而AI的出现，有望将这些“限速步骤”转化为“早发现、去中心化筛查、智能分流” 的机遇。

二、AI 如何破解瓶颈？三大核心工具革新心脏评估

1. 心电图基础模型：口袋里的 “精准筛查器”

AI心电图模型是简化肿瘤领域心脏评估、加快临床试验入组筛查的关键工具，其中 “心电图基础模型”前景尤为突出。该模型通过1000多万份12导联心电图数据训练而成，具备极强的通用性与适应性。

要理解其性能，需先了解一个关键指标AUROC（受试者工作特征曲线下面积）：AUROC 是诊断方法区分患病与健康者的综合能力评分，范围 0.5 到 1。可理解为调整诊断标准，每次统计准确识别患病者（真阳性率）和误判健康者（假阳性率），绘成曲线后，曲线下面积就是 AUROC。它用0-1的数值衡量检测的整体鉴别能力，0.5相当于“抛硬币”（完全随机）；1.0则是 “完美鉴别”，能100%分清患病者和健康者。

基于这一标准，该基础模型展现出优异性能：

针对QT间期延长、电解质异常等80种不同诊断，AUROC均不低于 0.95；即便在单导联可穿戴设备上，仍能保持高精度。检测房颤（AFib）的AUROC达0.93，检测QT间期延长的AUROC达 0.90；仅需500份本地样本“微调”，就能预测30天内心力衰竭入院等结局，还能支持心律检测、长期风险预测等数十项下游指标。

对肿瘤领域而言，该模型的价值显著：

治疗前快速筛查TKI候选患者的QTc风险，完成安全检查；提前识别临床试验的不合格患者，加快入组筛查；支持通过智能手表、家用贴片完成心电图解读，实现“去中心化诊疗”，方便偏远地区患者。

2. PanEcho 与 EchoNext：“自动写报告”的超声心动图AI

（1）PanEcho：120 万段视频训练出的“超声解读专家”。PanEcho 是基于 120 多万段超声心动图视频训练的深度学习系统，能自动填充经胸超声检查的39项参数，性能同样亮眼：针对射血分数、瓣膜疾病、肺动脉压力等18项评估终点，中位AUROC 达 0.91；即便在手持床旁超声设备上，检测主动脉瓣狭窄的AUROC仍有0.85；估算射血分数时，平均绝对误差（MAE）仅4%-5%，精度与不同医生之间的判读差异相当。

（2）EchoNext：经临床试验验证的“结构心脏病探测器”。EchoNext 同样表现出色，检测复合结构性心脏病的AUROC达0.85，且已在DISCOVERY试验中通过前瞻性验证：在未接受过影像学检查的高危患者中，AI成功识别出73%存在结构性心脏病的人。在肿瘤领域，EchoNext 的应用场景十分广泛：使用HER2靶向治疗或蒽环类药物前，即时解读射血分数；在社区或急诊场景中，筛查免疫治疗相关心肌炎；支持 “即时性” 或“混合式”临床试验的实时心脏筛查；在超声心动图资源有限的地区，实现疾病早发现；减少医疗差异：在不同性别、种族及临床场景中性能稳定，且公开模型权重与数据集，助力公平的模型开发；提前筛查患者的心脏入组资格，加快临床试验招募。

三、从“莫拉维克悖论”看AI与医生的分工：各擅所长

莫拉维克悖论指出：机器擅长人类觉得困难的事，人类则擅长机器觉得困难的事。结合这一理论，可清晰划分肿瘤领域中AI与医生的核心职责：

人类觉得困难、AI 擅长的事；机器觉得困难、人类擅长的事：

分析数百万份心电图，捕捉细微信号（如早期药物性心肌炎）；安抚QTc临界值患者的焦虑情绪；

逐帧分割超声心动图视频，计算左室射血分数（ADC 治疗前）；听诊时识别心脏杂音（这一技能至今仍有重要临床价值）；

即时核查药物相互作用导致的QT间期延长风险；用通俗的语言（如少数族语言）向患者解释预后等。

四、肿瘤医生的AI“行动指南”：如何优化心脏筛查？

入院时部署AI心电图：在启用 TKI、ADC 或免疫治疗前，先通过AI筛查高风险患者；

利用开源模型适配人群：如基于EchoNext等开源模型，结合本地肿瘤患者的合并症特点进行微调；

搭建跨科室协作看板：与心脏/病肿瘤团队共享实时预警与人群趋势数据，实现联动；

用工具促进医疗公平：将AI心脏评估工具推广到医疗资源不足的机构或社区网络；

做好医患教育：明确AI是医生的“助手”而非“替代者”，消除误解。

五、结语：更智能的筛查，更早的治疗 

随着肿瘤治疗日益精准，配套的支持体系也需同步升级。想象一下：患者还没见心内科医生，AI就已完成初步心脏评估；医生不再只是被动应对风险，而是能主动重新分类风险，这些工具不是“未来可能”，而是“当下已在”。

但始终要记住：波形背后是活生生的患者。AI的心脏充满潜力，但仍需医生的“灵魂”指引。医生必须确保这些工具服务于所有人，而非少数人。透明构建、公平部署的包容性 AI，将是下一代肿瘤诊疗的基石。我们需要继续倾听：倾听患者的需求，倾听同行的经验，也倾听AI为医疗带来的新可能。