臨床診斷是將未知病人病情與過去典型病例聯(lián)系起來的過程。這一過程也能通過AI完成。Sengupta等建立了一種聯(lián)想記憶分類的機器學(xué)習(xí)算法，先對47例無結(jié)構(gòu)性心臟病對照者的斑點追蹤超聲心動圖數(shù)據(jù)進行歸一化處理后，針對50例縮窄性心包炎和44例限制性心肌病患者進行鑒別研究，以手術(shù)病理為診斷金標(biāo)準(zhǔn)，發(fā)現(xiàn)聯(lián)想記憶分類器使用斑點跟蹤超聲心動圖參數(shù)時的受試者工作特征曲線的曲線下面積（area under curve，AUC）為89.2%的，增加另外4個超聲心動圖變量（e'，E/e'，室間隔厚度、左室后壁厚度）后，AUC提高到96.2%。

整合斑點追蹤超聲心動圖參數(shù)到機器學(xué)習(xí)模型這一技術(shù)也能區(qū)分運動員生理性左室肥大與肥厚性心肌病。因此，AI機器學(xué)習(xí)運用于超聲心動圖診斷是可行的，能協(xié)助診斷。但是，AI技術(shù)中深度學(xué)習(xí)這一領(lǐng)域的算法復(fù)雜，非專業(yè)領(lǐng)域人員難以理解，影響算法推廣，需要計算機領(lǐng)域與醫(yī)療領(lǐng)域進一步合作。

綜上所述，人工智能正在改變超聲心動圖的應(yīng)用前景，在醫(yī)療影像領(lǐng)域?qū)懈鼜V闊的應(yīng)用。多個供應(yīng)商的軟件程序已納入AI技術(shù)進行圖像的自動化分析，目前三維超聲心動圖和斑點追蹤的自動化顯示了很高的可行性、準(zhǔn)確性和重復(fù)性。另外，近來研究人員應(yīng)用AI對胎兒超聲圖像進行識別檢測，提示AI在胎兒超聲心動圖中也有應(yīng)用前景?；贏I的超聲心動圖臨床應(yīng)用價值尚待進一步研究。