正确评估心脏功能对于心血管疾病的诊断，心脏毒性的筛查以及有关重症患者的临床管理决策至关重要。 然而，尽管经过多年的训练，人类对心脏功能的评估集中在有限的心动周期采样上，并且观察者之间存在相当大的变异性。 在这里，为了克服这一挑战，我们提出了一种基于视频的深度学习算法-EchoNet-Dynamic，该算法在分割左心室，估计射血分数和评估心肌病等关键任务中的性能超过了人类专家。 通过超声心动图视频训练，我们的模型以0.92的Dice相似系数准确分割左心室，预测平均绝对误差为4.1％的射血分数，并可靠地对射血分数降低的心力衰竭进行分类（曲线下面积为0.97）。 在另一个医疗系统的外部数据集中，EchoNet-Dynamic预测平均绝对误差为6.0％的射血分数，并对射血分数降低的心力衰竭进行分类，其曲线下面积为0.96。 重复进行人类测量后进行的前瞻性评估证实，该模型的方差可与人类专家相比较或更小。 通过利用跨多个心动周期的信息，我们的模型可以快速识别出射血分数的细微变化，比人类评估具有更高的可重复性，并为实时准确诊断心血管疾病奠定了基础。 作为促进进一步创新的资源，我们还公开提供了10030个带注释的超声心动图视频的大型数据集。