目的:本研究提出基于机器学习方法结合二维斑点追踪超声心动图（2D-STE）数据进行心肌淀粉样变和肥厚型心肌病的智能鉴别研究。方法:选取2015年6月-2018年11月在浙江大学医学院附属第一医院住院治疗,经活检明确诊断CA的患者74例,选择同期入住的HCM患者64例作为对照。收集患者的临床资料,实验室检查,常规超声心动图和2D-STE等数据。利用机器学习算法分别建立2种模型:1、利用临床资料,实验室检查,常规超声心动图和斑点追踪超声数据通过支持向量机,随机森林和梯度提升等机器学习方法进行数据分析和构建预测模型,并与传统的Logistic回归模型相对比;2、利用2D-STE应变数据通过分布式梯度提升（light GBM）,极端梯度提升（XGBoost）和整合两种算法进行数据分析和构建预测模型。模型建立后利用受试者工作特征曲线（ROC）及曲线下面积（AUC）评估不同模型的性能。结果:在利用临床资料,实验室检查,常规超声心动图和斑点追踪超声数据进行建模的模型中,机器学习方法均表现出良好的区分性能（AUC值均＞0.9）,其中极端梯度提升模型具有最高AUC值,为0.98。与传统的Logistic回归模型（AUC=0.91）相比,支持向量机（AUC=0.95,P=0.477）,随机森林（AUC值=0.97,P=0.301）和梯度提升（AUC值0.98,P=0.230）等机器学习模型预测CA的性能呈现不同程度的改善趋势,但AUC值的差异没有统计学意义。在利用2D-STE应变数据进行建模的模型中,整合两种算法的投票模型的判别能力与分布式梯度提升相仿（两者AUC均为0.86）,而极端梯度提升的AUC值稍低,为0.84。随后在进行5折交叉验证时,结果提示投票算法在全局上更加稳健,并在部分测试集上优于单个算法。在第1种模型中,偏心指数,左室射血分数（LVEF）,相对心尖纵向应变（RELAPS）,慢性肾病,室间隔厚度（LVSd）和收缩压是随机森林和梯度提升模型特征选择中前6位的最重要的预测因素。在第2种模型中,Rad Strain3（中间段室间隔径向应变）是最重要的预测因子,其次是Long Strain Epi7（心外膜基底段前壁纵向应变）,Cir Strain R4（基底段后壁环向应变率）。结论:数据驱动的机器学习方法在鉴别心肌淀粉样变性和肥厚型心肌病方面具有良好的表现,可以在不作预先假设的情况下,自动整合大量的变量数据进行特征选择,从而识别出最具有鉴别意义的预测因子。在大数据背景下,自动化的机器学习方法将有助于更好的识别出心肌淀粉样变的患者,以便及时进行有效的干预,从而改善预后。