犬類粘液瘤性二尖瓣疾病(MMVD)是小型犬最常見的心臟病，約75%的病例會發展為二尖瓣反流(MR)和充血性心力衰竭。目前超聲心動圖雖是診斷金標準，但成本高且依賴操作者經驗，而傳統聽診受限于人耳敏感性和主觀性。數字聽診器結合人工智能(AI)技術為這一難題提供了新思路——通過捕捉人耳難以識別的低頻心音特征，可能實現MR的客觀分級。

首爾大學獸醫學院的研究團隊在《BMC Veterinary Research》發表了一項突破性研究。他們利用460只MMVD患犬的1,840份數字聽診器記錄，開發了基于卷積神經網絡(CNN6)的深度學習模型。該模型通過分析心音圖(PCG)信號，將MR嚴重程度分為輕度、中度和重度三類，準確率達94.12%，特異性97.30%，顯著優于傳統方法。這項技術為獸醫提供了一種可替代超聲的便攜式診斷工具，尤其適合基層診所和早期篩查。

關鍵技術包括：1) 使用WITHaPET WP-100數字聽診器采集四心區PCG信號；2) 采用MINE評分系統（含LA/Ao比值、LVIDDn等4個超聲參數）作為金標準；3) 對比CNN6、PaSST和ResNet38三種深度學習架構；4) 以Fbank特征提取優化頻譜分析；5) 通過7:2:1比例劃分訓練/驗證/測試集。

研究結果顯示：
背景：MMVD患犬中MR嚴重程度與心音特征存在定量關聯，但傳統聽診無法精準捕捉。
方法：CNN6模型通過5×5卷積核逐層提取PCG時頻特征，結合批歸一化(BN)和ReLU激活函數，在8秒音頻片段中識別關鍵模式。
結果：CNN6-Fbank組合表現最優，對重度MR識別率達97%，曲線下面積(AUC)0.99。Grad-CAM可視化證實模型主要關注心音特征而非噪聲。
討論：該技術突破了傳統聽診的局限性，但需注意肥胖、胸壁厚度等生理因素可能影響信號質量。未來需擴大樣本驗證實時應用價值。

結論部分強調，這是首個針對犬類MMVD的AI心音分析系統，其創新性在于：1) 首次將Fbank特征用于動物心音分析；2) 驗證了PCG信號與MINE評分的強相關性；3) 為開發獸醫專用智能聽診設備奠定基礎。盡管存在單中心研究的局限性，但該方法已顯示出作為超聲心動圖補充工具的潛力，有望改善犬類心臟病的早期診斷和預后評估。