Vuoi collaborare con noi?
Con un impegno crescente:

  • Iscriviti come Fellow
  • Iscriviti alle Aree di EcoCardioChirurgia®
Cerca

Intelligenza artificiale in ecocardiografia: se e come sia entrata concretamente nel nostro mondo

Autore/Autori:

Relazioni storiche – Congresso 2026

Nel simposio di ECOCARDIOCHIRURGIA® 2026 dedicato all’intelligenza artificiale, Alberto Barosi illustra le applicazioni concrete dell’AI in ecocardiografia, nate per rispondere a soggettività, variabilità e carico di lavoro crescente. Descrive come i sistemi di deep learning riconoscono, classificano e selezionano le proiezioni, citando gli studi di Khamis e Madani, e come guidano l’acquisizione anche con ecografi ultraportatili. Passa in rassegna misure automatiche 2D e Doppler, auto-EF e auto-strain, analisi 3D e la guida del workflow, con risparmi di tempo fino al 77%. Conclude sui limiti reali e sul fatto che il vero valore dell’AI non è fare più esami, ma farli meglio e in modo più uniforme.

Abstract

Introduzione (00:00:03)

L’ecocardiografia ha un riconosciuto ruolo diagnostico, predittivo e prognostico e il numero degli esami, sempre più lunghi e complessi, è in costante crescita. L’enorme mole di immagini DICOM rende la metodica adatta all’intelligenza artificiale (AI), chiamata a rispondere ai suoi limiti storici: soggettività diagnostica, variabilità intra- e inter-laboratorio, scarsa riproducibilità e un carico di misurazioni sempre più time consuming. L’AI si inserisce nel workflow a più livelli: acquisizione, analisi, flusso di lavoro e reporting.

Meccanismi fisiopatologici (00:04:50)

Più che la fisiopatologia, la relazione descrive come l’AI analizza l’esame: riconoscimento, classificazione e analisi. A differenza di risonanza e TC cardiaca, l’ecocardiografia richiede più rappresentazioni planari, l’identificazione dei frame di massima sistole e massima diastole e la segmentazione dei contorni delle camere e dei punti anatomici (piano mitralico, apice ventricolare, tetto dell’atrio). La mancanza di standardizzazione delle acquisizioni, operatore-dipendenti, e l’eterogeneità delle clip (2D, color Doppler, Doppler, 3D, M-mode) rendono complessi il riconoscimento e la classificazione delle viste.

Diagnostica (00:07:14)

Nel 2017 Khamis ottiene con il deep learning un’accuratezza del 91–97% nel riconoscimento delle viste apicali; nel 2018 Madani classifica 15 proiezioni con un’accuratezza media di quasi il 98%, che resta prossima al 92% anche nelle immagini a bassa risoluzione, con maggiori errori tra viste simili (3 camere e 2 camere apicale, 3 camere apicale e parasternale asse lungo). Segue la selezione automatica delle clip migliori. Nella fase di acquisizione, con ecografi ultraportatili, l’AI guida i movimenti della sonda, valuta la qualità e cattura automaticamente le immagini: in cardio-oncologia anche operatori non esperti ottengono dimensioni e volumi biventricolari quasi sovrapponibili a quelli di personale esperto.

Trattamento (00:10:51)

Al posto dei trattamenti, vengono illustrate le applicazioni già disponibili sugli ecografi: misure automatiche 2D e Doppler (ventricolo sinistro, aorta, tratto di efflusso, flusso mitralico, insufficienza tricuspidale, tissue Doppler), auto-EF e auto-strain di ventricolo sinistro, ventricolo destro e atrio sinistro, volumi 3D, analisi della morfologia valvolare mitralica e tricuspidale e quantificazione del rigurgito mitralico. L’AI guida il workflow, ad esempio posizionando automaticamente settore colore e volume campione del Doppler pulsato nel tratto di efflusso. Gli studi riportano un risparmio di tempo del 27–77%, con buona accuratezza per frazione di eiezione, volumi e strain (pur con variabilità inter-vendor), meno per misure lineari e Doppler.

Conclusioni (00:16:16)

Restano limiti reali: dipendenza dalla qualità delle immagini e dall’operatore, correzioni manuali delle segmentazioni e un impatto clinico ancora moderato, forte su tempi e standardizzazione ma minore sulle decisioni complesse. Oggi l’AI serve ad automatizzare le misure, standardizzare e ridurre la variabilità, velocizzare esame e referto e guidare in tempo reale l’acquisizione, soprattutto per i più giovani; non è ancora in grado di formulare diagnosi autonome né di sostituire il cardiologo. Il suo vero valore non è fare più esami, ma farli meglio e in modo più uniforme.

Introduction (00:00:03)

Echocardiography has a diagnostic, predictive and prognostic role recognised by all scientific societies, and the number of examinations is steadily rising, with longer and more complex studies. The huge volume of available DICOM images makes the technique particularly suited to artificial intelligence (AI) systems, which are expected to address the historical limitations of echocardiography: diagnostic subjectivity, intra- and inter-laboratory variability, poor reproducibility and an increasingly time-consuming measurement workload. AI enters the workflow at several levels: acquisition, analysis, workflow and reporting.

Pathophysiology (00:04:50)

The talk does not address pathophysiology but describes how AI analyses an examination: recognition, classification and analysis. Unlike magnetic resonance and cardiac CT, echocardiography requires several planar views, identification of the frames of maximum systole and maximum diastole, and segmentation of chamber contours and anatomical landmarks (mitral plane, ventricular apex, atrial roof). The lack of standardisation of operator-dependent acquisitions and the heterogeneity of clips (2D, colour Doppler, Doppler, 3D, M-mode) make view recognition and classification complex.

Diagnosis (00:07:14)

In 2017 Khamis used deep learning to achieve 91–97% accuracy in recognising apical views; in 2018 Madani classified 15 views with a mean accuracy of almost 98%, which remained close to 92% even in low-resolution images, with more errors between similar views (3-chamber vs apical 2-chamber, apical 3-chamber vs parasternal long axis). The next step is automated selection of the best clips among the many acquired per view. During acquisition with ultraportable devices, AI guides probe movements, assesses quality and automatically captures images: in cardio-oncology even non-expert operators obtain biventricular dimensions and volumes almost superimposable on those of expert staff.

Treatment (00:10:51)

No treatments are discussed; the talk illustrates the concrete applications already available on ultrasound systems: automated 2D and Doppler measurements (left ventricle, aorta, outflow tract, mitral inflow, tricuspid regurgitation, tissue Doppler), auto-EF and auto-strain of the left ventricle, right ventricle and left atrium, 3D volumes, analysis of mitral and tricuspid valve morphology and quantification of mitral regurgitation. AI guides the workflow, for example by automatically positioning the colour sector and pulsed Doppler sample volume in the outflow tract. Studies report time savings of 27–77%, with good accuracy for ejection fraction, volumes and strain (despite inter-vendor variability) and weaker data for linear and Doppler measurements.

Conclusions (00:16:16)

Real limitations remain: dependence on image quality and operator experience, the need for manual correction of segmentations, and a clinical impact that is still moderate, strong on time and standardisation but weaker on complex decisions. Today AI serves to automate measurements, standardise and reduce variability, speed up examinations and reporting, and guide acquisition in real time, especially for younger operators; it cannot yet make autonomous diagnoses or replace the cardiologist. Its real value is not doing more examinations, but doing them better and more uniformly.

Trascrizione

Presentazione e ruolo crescente dell’intelligenza artificiale in ecocardiografia (00:00:03)

Moderatore: Adesso penso che il dottor Barosi, caro amico dell’Istituto dei Tumori, sia pronto con la sua relazione e ci parlerà invece delle applicazioni in ecocardiografia.

Alberto Barosi: Grazie colleghi, moderatori. Permettetemi un ringraziamento al presidente della Società di ECOCARDIOCHIRURGIA® e alla direzione scientifica di questo evento 2026, e un ringraziamento per avermi chiamato a parlare in questa importante sessione, dove parlerò dell’intelligenza artificiale nell’ambito dell’ecocardiografia.

L’intelligenza artificiale ha avuto in questi ultimi anni un ruolo via via sempre più crescente nell’ambito dell’ecocardiografia, e questo per una serie di motivi che in parte sono stati già ricordati. L’ecografia ha un ruolo diagnostico, predittivo e prognostico importante, riconosciuto da tutte le società scientifiche internazionali, e il numero degli esami è andato via via crescendo. Questo ha determinato una serie di problemi: problemi di esecuzione, di tempi di esecuzione e di complessità degli esami, che nel tempo è andata sempre più crescendo. Inoltre, per quanto riguarda le immagini DICOM presenti, il numero delle immagini a disposizione dei sistemi di AI è veramente enorme, e i dati che possono essere potenzialmente elaborati sono veramente dati di grande importanza.

Soggettività, accuratezza e riproducibilità (00:01:51)

Esiste però una problematica, la stessa che Santo Dellegrottaglie ha ricordato per la risonanza magnetica: l’ecografia ha spesso questo limite della soggettività diagnostica, della complessità di analisi e di una velocità di esecuzione che ci è richiesta sempre più alta, a fronte di una precisione che deve però essere mantenuta. Quindi uno dei grossi problemi che abbiamo nell’ambito ecocardiografico è quello dell’accuratezza e della riproducibilità. Tant’è vero che, all’interno del laboratorio o tra i laboratori delle varie strutture ospedaliere, una variabilità come quella che vi mostro non è un fatto poi così raro. E la complessità è pratica di tutti i giorni: abbiamo continuato ad aggiungere elaborazioni, analisi di funzione, misurazioni, e questo è sicuramente un problema di tempo, è time consuming.

L’intelligenza artificiale nel flusso di lavoro: la guida all’acquisizione (00:02:50)

L’intelligenza artificiale si inserisce nel flusso di lavoro ecocardiografico a più livelli, che sono già stati ricordati; molti aspetti sono chiaramente comuni a tutte le metodiche di cardiovascular imaging appena citate. L’intelligenza artificiale entra quindi nella fase di acquisizione delle immagini, nella fase di analisi, nel flusso di lavoro e nella fase di reporting.

Questo è un esempio di supporto da parte dell’intelligenza artificiale nella fase di acquisizione, utilizzata soprattutto con gli ecografi ultraportatili, in contesti in cui non sempre è facile effettuare l’esame. La velocità di analisi e di classificazione delle immagini permette un riconoscimento e una guida per l’operatore, magari meno esperto del cardiologo che si dedica all’ecocardiografia, nel guidare gli spostamenti della sonda per ottenere immagini di qualità accettabile. L’intelligenza artificiale è in grado anche di darci una valutazione della qualità di queste immagini e di provvedere alla cattura dell’esame nel momento in cui ritiene l’immagine valida per essere analizzata.

Nel 2023 Moravi ha pubblicato questo lavoro, in cui dimostrava che in un setting di cardio-oncologia, utilizzando sistemi di intelligenza artificiale, medici non esperti nell’utilizzo dell’ecocardiografia potevano ottenere valutazioni delle dimensioni del ventricolo sinistro e destro e dei volumi biventricolari molto valide, accurate, quasi sovrapponibili a quelle di personale più esperto.

Riconoscimento, classificazione e analisi: le peculiarità dell’ecocardiografia (00:04:50)

La fase di funzionamento, chiamiamola così, dell’intelligenza artificiale passa da tre momenti importanti: il riconoscimento, la classificazione e l’analisi. L’ecocardiografia ha un aspetto particolare che la differenzia dalle altre metodiche di cardiovascular imaging, la risonanza e la TAC cardiaca. Prima di tutto abbiamo bisogno di più rappresentazioni planari per fare un’analisi delle strutture. I fotogrammi chiave della fase sistolica e della fase diastolica devono essere ben riconosciuti dal sistema, che deve fare un’analisi di funzione e restituire i dati metrici così ottenuti in una forma riproducibile all’operatore.

Le soluzioni adottate consistono sostanzialmente nell’analizzare le immagini eseguendo una classificazione delle viste, riconoscendo il frame di massima sistole e di massima diastole, ed eseguire poi una segmentazione, che altro non è che il riconoscimento dei contorni delle camere cardiache e dei punti anatomici, che in genere per il ventricolo e l’atrio sinistro sono tre: il piano mitralico, l’apice del ventricolo e il tetto dell’atrio; e infine distinguere, come ho detto, la fase di massima sistole e di massima diastole.

Il problema è complesso e non è così semplice. L’ecografia e la sequenza di acquisizioni che facciamo non sono standardizzate come la risonanza o la TAC: le valutazioni sono fatte in maniera diversa in base all’operatore, le sequenze che acquisiamo sono spesso diverse tra loro e, inoltre, in un esame ecocardiografico le clip registrate sono molto diverse. Abbiamo clip bidimensionali, il color Doppler, il Doppler, le immagini 3D, l’M-mode. C’è quindi una difficoltà nel riconoscimento e nella classificazione delle varie viste.

Classificazione automatica delle proiezioni: gli studi di Khamis e Madani (00:07:14)

Nel 2017 Khamis utilizza un sistema di deep learning per vedere se fosse in grado di riconoscere le principali viste apicali, la 4 camere, la 3 camere e la 2 camere, e ottiene un’accuratezza di riconoscimento molto buona, dal 91 al 97% per l’apicale con il tratto di efflusso e con la 2 camere.

È sufficiente un anno: l’anno successivo Madani pubblica il suo studio in cui, sempre utilizzando sistemi di deep learning, riesce a fare una classificazione corretta, con un’accuratezza media di quasi il 98%, di ben 15 proiezioni ecocardiografiche. Ma la cosa più sorprendente è che anche nelle immagini a bassa risoluzione l’accuratezza rimane alta, prossima al 92%. L’accuratezza migliore si ha proprio nelle immagini su cui il modello è stato maggiormente istruito o nelle immagini molto diverse da tutte le altre, come chiaramente l’M-mode, mentre maggiori difficoltà e una precisione più bassa si hanno nelle proiezioni in cui può esserci confusione, ad esempio tra una 3 camere e una 2 camere apicale, oppure tra una 3 camere apicale e, a volte, una parasternale asse lungo.

La selezione automatica delle immagini migliori (00:08:32)

Fatta la classificazione, si è fatto un passo avanti: quello della selezione. Oggigiorno siamo spesso abituati a fare esami in cui il numero di clip per esame è veramente enorme. Perché? Perché facciamo 4 acquisizioni della 4 camere, 3 della 2 camere e 5 della 3 camere: qual è allora la proiezione giusta e qual è l’immagine giusta che l’intelligenza artificiale deve andare a selezionare? Manualmente facciamo una valutazione della funzione utilizzando una proiezione e, se non siamo convinti, la ripetiamo su un’altra, e questo è chiaramente una perdita di tempo. La selezione fatta dall’intelligenza artificiale è proprio volta a definire immediatamente quali sono le immagini migliori da analizzare.

È qualcosa di importante, che troviamo sugli apparecchi che usiamo oggi. Qui vi riporto ad esempio un sistema in cui va fatta un’analisi della deformazione del ventricolo sinistro: come vedete, avviato il sistema, viene già fatta una selezione delle immagini che il sistema deve utilizzare, queste tre nel riquadro blu. Ad esempio, tra queste due proiezioni identiche, il sistema sceglie questa e, riconosciuta la proiezione e fatta la selezione, avvia l’applicazione. Questi sistemi sono diventati ancora più performanti ed esistono in commercio, quindi sono utilizzabili: sono presenti nei nostri laboratori apparecchiature in grado di analizzare automaticamente tutte e quattro le camere cardiache, per cui la produzione di dati diventa veramente molto veloce.

Dove interviene oggi l’AI: misure automatiche, funzione e 3D (00:10:51)

Dove interviene l’intelligenza artificiale oggi, nella vita reale? Interviene nella quantificazione automatizzata delle misure 2D e del Doppler cardiaco: l’auto-measure del ventricolo sinistro e dell’aorta, con il riconoscimento della fase sistolica e diastolica, le misurazioni automatiche del Doppler aortico, del tratto di efflusso, del flusso mitralico e dell’insufficienza tricuspidale, e le misurazioni del tissue Doppler.

Un altro punto di intervento dell’intelligenza artificiale è la valutazione della funzione dei ventricoli e, direi, oggi anche dell’atrio: l’auto-EF e l’auto-strain del ventricolo sinistro, del ventricolo destro e dell’atrio sinistro sono ormai strumenti che abbiamo a disposizione e che possiamo ben utilizzare. Ancora, nell’ambito della tecnologia 3D, interviene nella valutazione dei volumi e negli studi di funzione con l’ecocardiografia transtoracica e nell’analisi funzionale della morfologia valvolare, soprattutto mitralica e, più recentemente, tricuspidale. L’ultima novità in questo settore, penso, è stata l’introduzione di sistemi di AI nello studio dei flussi mitralici, con la quantificazione del rigurgito al color flow.

L’AI che guida il workflow: l’esempio del tratto di efflusso (00:12:21)

Ma quello che rende veramente particolare l’utilizzo dell’intelligenza artificiale, come ha ricordato Santo Dellegrottaglie, è che è intervenuta nel guidare il nostro workflow. Proviamo a pensare a che cos’era la valutazione del flusso nel tratto di efflusso del ventricolo sinistro. Dovevamo acquisire un’immagine in 5 camere, attivare il tasto del colore, regolare il settore del colore e posizionarlo nel punto corretto, attivare il tasto del Doppler pulsato e a quel punto attivavamo l’acquisizione; acquisivamo l’immagine del flusso eiettivo e dovevamo poi attivare la traccia del contorno del segnale Doppler.

L’intelligenza artificiale ha risolto molti di questi passaggi: una volta identificata, come sto facendo vedere nella clip, la proiezione 5 camere, attivando il pulsante del color flow il settore viene posizionato direttamente dove il sistema riconosce l’aorta, e anche il volume campione del Doppler pulsato viene già posizionato a livello del tratto di efflusso, con l’acquisizione dell’immagine e subito la traccia dell’integrale della curva di flusso. Questo chiaramente riduce tantissimo i tempi di acquisizione, permettendoci di concentrarci poi sulla fase diagnostica.

Risparmio di tempo, riproducibilità e verso il referto automatizzato (00:13:55)

Questa è l’esperienza pubblicata da Rata, che ha raccolto i vari studi in termini di risparmio di tempo: vedete che tutti riportano una riduzione, con un risparmio di tempo per l’analisi che va dal 27 al 77% in base ai software utilizzati, con dati di riproducibilità e di accuratezza che rimangono sempre molto validi per frazione di eiezione, volumi e strain, pur restando nell’ambito dello strain la variabilità inter-vendor, e con dati un po’ meno forti per le misurazioni lineari e le misurazioni Doppler.

Il futuro potrebbe essere quello di sistemi quasi completamente automatizzati, in cui, una volta fatta l’acquisizione di tutto l’esame, si chiede al software di fare un’analisi: vengono riconosciute e classificate le proiezioni, selezionate le immagini e fatte automaticamente le misurazioni, che in poco tempo ci vengono proposte con un referto anche definitivo, che noi dovremo chiaramente validare.

Limiti reali dell’intelligenza artificiale in ecocardiografia (00:15:22)

Ma allora, è tutto oro quel che luccica? Beh, no: ci sono dei limiti reali. Nell’ecografia c’è una forte dipendenza dalla qualità delle immagini, quindi il ruolo, la capacità e l’esperienza dell’operatore restano centrali. C’è la necessità, sempre meno frequente ma ancora presente, di correzioni manuali: dobbiamo spesso aggiustare un po’ le segmentazioni, far riconoscere meglio al sistema i punti anatomici, la mitrale, l’apice e i bordi della camera esaminata. E l’impatto clinico oggi rimane, penso, moderato: c’è un grande impatto sui tempi e sulla standardizzazione delle immagini, meno sulle decisioni cliniche complesse.

Conclusioni (00:16:16)

Mi avvio quindi verso le mie conclusioni, tenendo conto di quella che era la richiesta, cioè le applicazioni concrete. Penso che oggi l’uso reale dell’intelligenza artificiale nello studio ecocardiografico sia l’automatizzazione delle misure, la standardizzazione e la riduzione della variabilità, la velocizzazione dell’esame e quindi del reporting e, settore in crescita, utile soprattutto per i più giovani, la capacità di guidare l’acquisizione in tempo reale.

In che cosa ritengo che non sia ancora giunto il momento, che l’intelligenza artificiale non abbia ancora raggiunto il massimo dello sviluppo? Nel fare diagnosi autonome e, chiaramente, nel sostituire l’esperienza del cardiologo. Ma in questa revisione che ho fatto delle applicazioni dell’intelligenza artificiale negli studi ecocardiografici, la cosa che mi ha particolarmente colpito è questa: parliamo tanto di velocità, ma il vero valore dell’intelligenza artificiale non è fare più esami, è farli meglio e farli in modo più uniforme. Grazie.

Introduction and the growing role of artificial intelligence in echocardiography (00:00:03)

Moderator: I think Dr. Barosi, a dear friend from the Istituto dei Tumori, is now ready with his talk, and he will tell us about the applications in echocardiography.

Alberto Barosi: Thank you, colleagues and moderators. Allow me to thank the president of the ECOCARDIOCHIRURGIA® Society and the scientific direction of this 2026 event, and thank you for inviting me to speak in this important session, where I will talk about artificial intelligence in echocardiography.

In recent years artificial intelligence has played an ever-growing role in echocardiography, for a number of reasons that have partly already been mentioned. Echocardiography has an important diagnostic, predictive and prognostic role, recognised by all the international scientific societies, and the number of examinations has kept increasing. This has created a series of problems: problems of execution, of execution times and of the complexity of the examinations, which has grown steadily over time. Moreover, as regards the DICOM images available, the number of images at the disposal of AI systems is truly enormous, and the data that can potentially be processed are of great importance.

Subjectivity, accuracy and reproducibility (00:01:51)

There is, however, an issue, the same one that Santo Dellegrottaglie mentioned for magnetic resonance: echocardiography often has the limitation of diagnostic subjectivity, of complex analysis and of an execution speed that is increasingly demanded of us, while precision must nevertheless be maintained. So one of the major problems we have in echocardiography is accuracy and reproducibility. Indeed, within a laboratory or between the laboratories of different hospitals, variability like the one I am showing you is not that rare. And complexity is everyday practice: we have kept adding processing steps, functional analyses and measurements, and this is certainly a time problem, it is time consuming.

Artificial intelligence in the workflow: guided acquisition (00:02:50)

Artificial intelligence fits into the echocardiographic workflow at several levels, which have already been mentioned; many aspects are clearly common to all the cardiovascular imaging techniques just discussed. Artificial intelligence therefore enters the image acquisition phase, the analysis phase, the workflow and the reporting phase.

This is an example of artificial intelligence support in the acquisition phase, used above all with ultraportable ultrasound devices, in settings where performing the examination is not always easy. The speed of image analysis and classification allows recognition and guidance for the operator, who may be less experienced than a cardiologist dedicated to echocardiography, directing probe movements to obtain images of acceptable quality. Artificial intelligence is also able to assess the quality of these images and to capture the examination as soon as it considers the image valid for analysis.

In 2023 Moravi published this paper, showing that in a cardio-oncology setting, using artificial intelligence systems, physicians without expertise in echocardiography could obtain very valid and accurate assessments of left and right ventricular dimensions and biventricular volumes, almost superimposable on those of more experienced staff.

Recognition, classification and analysis: the peculiarities of echocardiography (00:04:50)

The way artificial intelligence works, so to speak, goes through three important steps: recognition, classification and analysis. Echocardiography has a particular feature that sets it apart from the other cardiovascular imaging techniques, magnetic resonance and cardiac CT. First of all, we need several planar views to analyse the structures. The key frames of the systolic and diastolic phases must be correctly recognised by the system, which has to perform a functional analysis and return the metric data thus obtained to the operator in a reproducible form.

The solutions adopted essentially consist of analysing the images by classifying the views, recognising the frame of maximum systole and maximum diastole, and then performing segmentation, which is nothing more than recognising the contours of the cardiac chambers and the anatomical landmarks, which for the left ventricle and atrium are generally three: the mitral plane, the ventricular apex and the roof of the atrium; and finally, as I said, distinguishing the phases of maximum systole and maximum diastole.

The problem is complex and not that simple. Echocardiography and the sequence of acquisitions we perform are not standardised like magnetic resonance or CT: assessments are made differently depending on the operator, the sequences we acquire often differ from one another and, moreover, the clips recorded in an echocardiographic examination are very different. We have two-dimensional clips, colour Doppler, Doppler, 3D images and M-mode. There is therefore a difficulty in recognising and classifying the various views.

Automated view classification: the Khamis and Madani studies (00:07:14)

In 2017 Khamis used a deep learning system to see whether it could recognise the main apical views, the 4-chamber, 3-chamber and 2-chamber views, and obtained very good recognition accuracy, from 91% to 97% for the apical view with the outflow tract and for the 2-chamber view.

Only one year later, Madani published his study in which, again using deep learning systems, he achieved correct classification of as many as 15 echocardiographic views with a mean accuracy of almost 98%. But the most surprising finding is that even in low-resolution images accuracy remains high, close to 92%. The best accuracy is obtained precisely in the images on which the model was most extensively trained or in images that are very different from all the others, such as M-mode, whereas greater difficulty and lower precision are found in views that can be confused, for example a 3-chamber and an apical 2-chamber view, or an apical 3-chamber and sometimes a parasternal long-axis view.

Automated selection of the best images (00:08:32)

After classification, a step forward was taken: selection. Nowadays we are often used to examinations in which the number of clips per study is truly enormous. Why? Because we acquire 4 clips of the 4-chamber view, 3 of the 2-chamber and 5 of the 3-chamber: so which is the right view and the right image that artificial intelligence should select? Manually, we assess function using one view and, if we are not convinced, we repeat it on another, and this is clearly a waste of time. The selection performed by artificial intelligence is aimed precisely at immediately identifying the best images for analysis.

This is something important that we find on the machines we use today. Here, for example, is a system in which a left ventricular deformation analysis has to be performed: as you can see, once the system is started, it already selects the images it should use, these three in the blue box. For example, between these two identical views the system chooses this one and, having recognised the view and made the selection, launches the application. These systems have become even more powerful and are commercially available, so they can be used: in our laboratories there are machines capable of automatically analysing all four cardiac chambers, so data production becomes truly very fast.

Where AI acts today: automated measurements, function and 3D (00:10:51)

Where does artificial intelligence act today, in real life? It acts in the automated quantification of 2D and cardiac Doppler measurements: auto-measure of the left ventricle and aorta, with recognition of the systolic and diastolic phases, automated measurements of aortic Doppler, the outflow tract, mitral inflow and tricuspid regurgitation, and tissue Doppler measurements.

Another area of intervention of artificial intelligence is the assessment of ventricular and, I would say, nowadays also atrial function: auto-EF and auto-strain of the left ventricle, right ventricle and left atrium are now tools we have available and can make good use of. Furthermore, in 3D technology it is used for the assessment of volumes and in functional studies with transthoracic echocardiography, and in the functional analysis of valve morphology, especially mitral and, more recently, tricuspid. The latest development in this field, I think, has been the introduction of AI systems in the study of mitral flows, with quantification of regurgitation on colour flow.

AI guiding the workflow: the outflow tract example (00:12:21)

But what truly makes the use of artificial intelligence special, as Santo Dellegrottaglie recalled, is that it has stepped in to guide our workflow. Let us think about what assessing flow in the left ventricular outflow tract used to involve. We had to acquire a 5-chamber image, switch on the colour button, adjust the colour sector and position it at the right spot, switch on the pulsed Doppler button and then start the acquisition; we acquired the ejection flow image and then had to activate the tracing of the Doppler signal contour.

Artificial intelligence has solved many of these steps: once the 5-chamber view has been identified, as I am showing in the clip, pressing the colour flow button places the sector directly where the system recognises the aorta, and the pulsed Doppler sample volume is also already positioned in the outflow tract, with acquisition of the image and immediate tracing of the flow velocity-time integral. This clearly greatly reduces acquisition times, allowing us to focus on the diagnostic phase.

Time savings, reproducibility and towards the automated report (00:13:55)

This is the experience published by Rata, who collected the various studies on time savings: you can see that all report a reduction, with time saved for analysis ranging from 27% to 77% depending on the software used, with reproducibility and accuracy data that remain very good for ejection fraction, volumes and strain, although inter-vendor variability persists for strain, and with somewhat weaker data for linear measurements and Doppler measurements.

The future could be almost fully automated systems in which, once the entire examination has been acquired, the software is asked to perform the analysis: the views are recognised and classified, the images selected and the measurements made automatically, and within a short time they are proposed to us together with even a final report, which we will of course have to validate.

Real limitations of artificial intelligence in echocardiography (00:15:22)

So, is all that glitters gold? Well, no: there are real limitations. In echocardiography there is a strong dependence on image quality, so the role, skill and experience of the operator remain central. There is still a need, less and less frequent but still present, for manual corrections: we often have to adjust the segmentations slightly and help the system better recognise the anatomical landmarks, the mitral valve, the apex and the borders of the chamber being examined. And the clinical impact today remains, I think, moderate: there is a great impact on time and on image standardisation, less on complex clinical decisions.

Conclusions (00:16:16)

I am therefore moving towards my conclusions, bearing in mind what I was asked to cover, namely concrete applications. I think that today the real use of artificial intelligence in echocardiography is the automation of measurements, standardisation and reduction of variability, faster examinations and therefore faster reporting, and, a growing field that is especially useful for younger colleagues, the ability to guide acquisition in real time.

Where do I believe the time has not yet come, where artificial intelligence has not yet reached its full development? In making autonomous diagnoses and, clearly, in replacing the cardiologist’s experience. But in this review I have made of artificial intelligence applications in echocardiographic studies, what struck me most is this: we talk a lot about speed, but the real value of artificial intelligence is not doing more examinations, it is doing them better and more uniformly. Thank you.

Nuove funzionalità
nella fruizione dei contenuti su
ECOCARDIOCHIRURGIA.it

Stiamo aggiornando gradualmente tutti i contenuti esistenti e già 1/5 dell’archivio contiene due importanti novità.

La prima è che i video gradualmente saranno tutti disponibili, salvo alcuni contenuti soggetti a restrizioni, direttamente su YouTube.

Questo porta diversi vantaggi: sottotitoli disponibili e traducibili in varie lingue, maggiore velocità di riproduzione e alleggerimento del server da compiti gravosi.

Ma soprattutto, ogni relazione sarà accompagnata da un Abstract e dalla trascrizione completa, entrambi disponibili in italiano e in inglese.

All’interno dei testi saranno presenti anche i riferimenti temporali dei principali passaggi della relazione. Questo significa che, cliccando su un timecode, ad esempio (09:48), sarà possibile avviare il video esattamente da quel punto.

Un altro grande vantaggio è la possibilità di cercare parole o frasi presenti nei contributi, cosa che prima non era possibile.

Non dimenticate inoltre di iscrivervi al nostro canale YouTube: cliccando qui sotto:

una volta aperto Youtube, selezionate Iscriviti e attivate la campanella 🔔 per ricevere gli aggiornamenti sui nuovi contenuti pubblicati.