施建伷，蔣志新，葉 力綜述，李殿富審校

0 引 言

傳統(tǒng)上心血管疾病的診治主要依靠臨床醫(yī)師綜合分析患者的癥狀、體征以及實(shí)驗(yàn)室檢查結(jié)果等進(jìn)行臨床決策，然而對臨床各種信息的解讀與理解程度的不同，使得臨床醫(yī)師對同一個(gè)患者產(chǎn)生程度不同的診斷處理意見。減少這一差異的動因是推動臨床醫(yī)學(xué)從個(gè)人經(jīng)驗(yàn)醫(yī)學(xué)轉(zhuǎn)向現(xiàn)代循證醫(yī)學(xué)的主要原因之一。面對因醫(yī)學(xué)及其技術(shù)的不斷進(jìn)步呈現(xiàn)出指數(shù)級增長的臨床數(shù)據(jù)，利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和認(rèn)知計(jì)算在內(nèi)的人工智能技術(shù)進(jìn)行大數(shù)據(jù)處理及其人工智能診斷將在心血管疾病的診治決策中起到越來越重要作用，這是現(xiàn)代循證醫(yī)學(xué)向未來精準(zhǔn)醫(yī)學(xué)發(fā)展的重要基礎(chǔ)［1］。

冠心病作為最常見的心血管疾病之一，其診斷和危險(xiǎn)度分層、以及處理方案的制定高度依賴于可視化的功能學(xué)檢查資料，對可視化資料的整合與處理正是人工智能的優(yōu)勢［2］。近年來，人工智能在冠心病診治領(lǐng)域中的研究與應(yīng)用已有較快發(fā)展，本文就近年來人工智能在冠心病診斷及危險(xiǎn)度分層中的應(yīng)用進(jìn)展作一綜述。

1 人工智能在冠心病診斷中的應(yīng)用

目前常用的無創(chuàng)冠心病診斷處理技術(shù)包括心電圖（Electrocardiographic，ECG）、CT冠狀動脈成像（coronary computed tomography angiography，CCTA）及門控核素心肌灌注顯像（gated single photon emission computed tomography，G-MPI）等，人工智能將各種算法和以上的影像學(xué)技術(shù)相結(jié)合，根據(jù)所獲得的圖像信息自動化地做出診斷。目前除彈性網(wǎng)絡(luò)算法、基于模因模式的算法小規(guī)模的應(yīng)用于臨床外［3-5］，以人工神經(jīng)網(wǎng)絡(luò)為代表的人工智能、以支持向量機(jī)算法和LogitBoost算法等為代表的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等諸多算法已經(jīng)在醫(yī)學(xué)領(lǐng)域得到了廣泛應(yīng)用［6］。

1.1 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)通過模擬人類神經(jīng)元之間的交互方式達(dá)到數(shù)據(jù)處理的目的，目前已被廣泛應(yīng)用于核心臟病學(xué)領(lǐng)域中［7-9］。Guner等［10］將其與G-MPI結(jié)合，驗(yàn)證該算法對冠心病的診斷效能。7名核醫(yī)學(xué)醫(yī)師和該算法分別對納入測試的患者G-MPI圖像進(jìn)行解讀，采用曲線下面積（area under the curve，AUC）比較其對冠心病的診斷效能。結(jié)果顯示人工神經(jīng)網(wǎng)絡(luò)和專家解讀的診斷效能無統(tǒng)計(jì)學(xué)差異（AUC:0.74和0.84，P＞0.05），同時(shí)接受算法輔助組的核醫(yī)學(xué)醫(yī)師的診斷效能優(yōu)于無輔助組（分別提升11%和7%，P＜0.05）。Nakajima等［8］采用相同算法進(jìn)行一項(xiàng)多中心的驗(yàn)證研究，旨在驗(yàn)證該算法和基于負(fù)荷總積分（SSS）/靜息總積分（SRS）/灌注積分差（SDS）的傳統(tǒng)半定量模式對冠心病患者的診斷效能。結(jié)果顯示，相比于從傳統(tǒng)目測方法獲得的SSS和SDS，人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷灌注缺損（AUC:0.92和 0.82，P＜0.0001）和負(fù)荷所致缺血（AUC:0.90和0.75，P＜0.0001）的診斷效能上均優(yōu)于傳統(tǒng)的半定量積分法。Shibutani等［11］將人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)一步用于局限性灌注缺損的診斷中，和兩位專家相比，算法在診斷負(fù)荷灌注缺損的效能上顯著優(yōu)于專家（AUC:0.946，0.865和0.865，P＜0.05）。綜合上述研究結(jié)果，在核心臟病學(xué)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)不僅可代替醫(yī)師對冠心病作出診斷，還可通過輔助人工解讀方式提高診斷效能。

1.2 支持向量機(jī)與LogitBoost算法利用支持向量機(jī)算法有更全面地挖掘隱藏?cái)?shù)據(jù)的能力，Dolatabadi等［12］將該算法應(yīng)用于根據(jù)動態(tài)心電圖ST段變化這一心率變應(yīng)性指標(biāo)來識別健康人群和冠心患者群。這一小樣本回顧性研究通過融合相應(yīng)的心電學(xué)參數(shù)，支持向量機(jī)算法識別冠心病患者的準(zhǔn)確性可以達(dá)到99.2%（敏感性為98.43%，特異性為100%）。LogitBoost算法通過對數(shù)個(gè)弱相關(guān)的分類進(jìn)行不斷迭代以最終獲得一個(gè)強(qiáng)相關(guān)的分類，以此獲得診斷和鑒別診斷的功能；Dey等［13］以CCTA發(fā)現(xiàn)的冠脈斑塊特征為研究對象，擬通過分析斑塊特征來預(yù)測LogitBoost算法對心肌缺血及其冠心病的診斷價(jià)值。該研究比較了CT系統(tǒng)自帶軟件和基于LogitBoost算法的診斷模型之間的診斷效能，發(fā)現(xiàn)不論采用何種參數(shù)，CT自帶軟件的診斷效能均劣于基于算法的診斷模型（AUC:0.63-0.76和0.84，P＜0.005）。有研究嘗試將上述兩種機(jī)器學(xué)習(xí)算法與GMPI圖像相結(jié)合以期提高基于G-MPI圖像的冠心病診斷準(zhǔn)確性［14-15］。其中支持向量機(jī)用于融合非校正G-MPI圖像的相關(guān)參數(shù)，LogitBoost算法通過整合心肌灌注量化信息和臨床參數(shù)以達(dá)到提高診斷準(zhǔn)確性的目的。兩項(xiàng)研究均采用敏感性、特異性和準(zhǔn)確性作為診斷效能指標(biāo)以比較算法和醫(yī)學(xué)專家的診斷結(jié)果。結(jié)果均證實(shí)，機(jī)器學(xué)習(xí)算法與G-MPI圖像結(jié)合對冠心病的診斷效能顯著優(yōu)于傳統(tǒng)的人工閱讀法（AUC:0.87-0.88和 0.92，P＜0.05；AUC:0.85-0.89和0.94，P＜0.0001）。

1.3 深度學(xué)習(xí)上述諸多機(jī)器學(xué)習(xí)算法已經(jīng)展現(xiàn)出良好的診斷價(jià)值，但仍依賴于人工進(jìn)行參數(shù)輸入，而深度學(xué)習(xí)可自動處理和識別輸入的圖像信息并輸出所需要的數(shù)據(jù)，展現(xiàn)出超越機(jī)器學(xué)習(xí)的強(qiáng)大數(shù)據(jù)處理能力。深度學(xué)習(xí)提高ECG診斷準(zhǔn)確率的能力先前已被驗(yàn)證［16］。Tan等［17］進(jìn)一步比較了疊加的卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)——深度學(xué)習(xí)的一種和各種機(jī)器學(xué)習(xí)算法在冠心病上的診斷效能，結(jié)果顯示其所研發(fā)的新算法在敏感性（99.85%）、特異性（99.84%）和準(zhǔn)確度（99.85%）上均優(yōu)于現(xiàn)有的各種算法模型。

CCTA通過對比注射造影劑前后充盈程度來獲得血管狹窄的面積百分比，這一過程同樣是基于逐幀采集的圖像。機(jī)器學(xué)習(xí)在圖像重建方面存在著客觀的局限性［18］，而深度學(xué)習(xí)則具有強(qiáng)大的圖像分析處理能力，因此諸多學(xué)者選擇將深度學(xué)習(xí)和CCTA圖像相結(jié)合以驗(yàn)證其診斷能力［19-21］。Doeberitz等［19］探索了基于CCTA的不同診斷模型（CCTA計(jì)算的狹窄百分比、CCTA獲得的斑塊特征及基于深度學(xué)習(xí)的CT血流儲備分?jǐn)?shù)）對血管狹窄所致心肌缺血的診斷效能，研究結(jié)果證實(shí)，單純使用血管狹窄百分比的AUC為0.61，加入斑塊特征后提升至0.83，而采用基于深度學(xué)習(xí)的CT血流儲備分?jǐn)?shù)后，AUC進(jìn)一步提升至0.93。Coenen等［21］通過類似的研究也得出了深度學(xué)習(xí)可提高診斷效能的結(jié)論，而診斷效能的提高主要得益于準(zhǔn)確識別假陽性患者并將其正確歸類。Hamersvelt等［20］沿用同樣的思路，旨在探索深度學(xué)習(xí)對有嚴(yán)重功能性狹窄的冠心病患者（血管內(nèi)血流儲備分?jǐn)?shù)≤0.8或冠脈造影提示血管狹窄≥90%）的附加診斷價(jià)值。深度學(xué)習(xí)通過分析靜息狀態(tài)下的左心室心肌形狀、質(zhì)地及造影劑攝取程度，將AUC從單純基于血管狹窄百分比的0.68提升至0.76，其中敏感性從92.6%輕度下降至84.6%，但診斷特異性從31.1%顯著提升至48.4%。Betancur等［22］將深度學(xué)習(xí)與G-MPI圖像相結(jié)合，分別利用原始及定量化處理后的G-MPI圖像來研究比較深度學(xué)習(xí)預(yù)測結(jié)果與總灌注缺損（total perfusion deficit，TPD）這一傳統(tǒng)G-MPI參數(shù)對阻塞性冠心病的診斷效能，結(jié)果發(fā)現(xiàn)，深度學(xué)習(xí)對患者（AUC:0.80和0.78，P＜0.01）和血管（AUC:0.76和0.73，P＜0.01）的診斷效能均優(yōu)于傳統(tǒng)的TPD參數(shù)，進(jìn)一步體現(xiàn)了深度學(xué)習(xí)的強(qiáng)大潛力。

機(jī)器學(xué)習(xí)的諸多算法與傳統(tǒng)的無創(chuàng)影像學(xué)相結(jié)合，提高了對冠心病的診斷準(zhǔn)確性和診斷效能，而深度學(xué)習(xí)除此之外，更在診斷的個(gè)體化和精準(zhǔn)化方面展現(xiàn)出獨(dú)特優(yōu)勢。

2 人工智能在冠心病危險(xiǎn)度分層中的應(yīng)用

2.1 人工智能與傳統(tǒng)的危險(xiǎn)度分層模型傳統(tǒng)的冠心病危險(xiǎn)度分層是利用年齡、性別、有無高血壓、糖尿病、高膽固醇血癥、心血管疾病家族史及吸煙等臨床資料對人群進(jìn)行心血管事件發(fā)生概率的預(yù)測。Rosendael等［23］使用極度梯度強(qiáng)化法（extreme gradient boosting，XGBoost）對特定人群按照從CCTA獲得的血管狹窄程度和斑塊特征進(jìn)行分層，和傳統(tǒng)的CCTA風(fēng)險(xiǎn)評分系統(tǒng)如Duke預(yù)后量表、Leaman風(fēng)險(xiǎn)評分系統(tǒng)等相比，基于算法的分層模型因精準(zhǔn)識別了低風(fēng)險(xiǎn)人群，因此其預(yù)測效能更好（AUC:0.685-0.701和0.771，P＜0.001）?，F(xiàn)有文獻(xiàn)已證實(shí)，頸動脈斑塊特征可被用于進(jìn)行心血管事件的危險(xiǎn)度分層［24-25］；Banchhor等［26］以此為標(biāo)準(zhǔn)，探索血管內(nèi)超聲下斑塊和血管壁特征能否作為新的參數(shù)來提高現(xiàn)有的CADx系統(tǒng)對冠心病危險(xiǎn)度分層的準(zhǔn)確性；該研究使用多種機(jī)器學(xué)習(xí)算法進(jìn)行相關(guān)的特征獲取，結(jié)果顯示單純使用斑塊特征進(jìn)行危險(xiǎn)度分層，預(yù)測準(zhǔn)確性約為86%，在增加了血管壁特征后，對低危和高危人群的分層準(zhǔn)確性可提升至91.28%。該研究提示，人工智能可為更精準(zhǔn)的冠心病危險(xiǎn)度分層提供保障。

2.2 人工智能不同算法之間的比較不同的算法因各自優(yōu)勢不同常被研究者用來進(jìn)行對比，在冠心病危險(xiǎn)度分層中的應(yīng)用亦是如此。Weng等［27］探索是否可借助機(jī)器算法來替代傳統(tǒng)的預(yù)測模型，研究采用了4種不同的機(jī)器學(xué)習(xí)算法（隨機(jī)樹、Logistic回歸、梯度提升機(jī)、人工神經(jīng)網(wǎng)絡(luò)）來預(yù)測患者未來10年的心血管事件發(fā)生率。與現(xiàn)有的危險(xiǎn)度分層模型相比，上述4種算法均展現(xiàn)出了更好的預(yù)測優(yōu)勢，其中人工神經(jīng)網(wǎng)絡(luò)算法對預(yù)測準(zhǔn)確性提升的百分比最高（3.6%），在預(yù)測發(fā)生心血管事件的絕對數(shù)上更占優(yōu)勢。Dimopoulos等［28］比較了k鄰近算法、隨機(jī)森林模型和決策樹等三種算法和現(xiàn)存預(yù)測模型（HellenicSCORE）對冠心病10年發(fā)病率的預(yù)測效能。三種不同的機(jī)器學(xué)習(xí)算法在預(yù)測的特異性上均優(yōu)于HellenicSCORE模型（46%～56%和20%），而敏感性、準(zhǔn)確性和陽性預(yù)測值均和傳統(tǒng)模型相仿（P＞0.05）。以敏感性、特異性、陽性預(yù)測率、陰性預(yù)測率這四項(xiàng)指標(biāo)綜合比較3種算法，隨機(jī)森林模型的預(yù)測效能最佳（四項(xiàng)指標(biāo)數(shù)值分別為100%、79%、99%和98%），而k鄰近算法的預(yù)測效能最差（四項(xiàng)指標(biāo)數(shù)值分別為98%、37%、97%和79%）。Pieszko等［29］利用機(jī)器學(xué)習(xí)算法預(yù)測急性心肌梗死患者的住院死亡率，研究將線性回歸、XGBoost和DRSABRE等3種算法與臨床和實(shí)驗(yàn)室檢查參數(shù)相結(jié)合用于住院死亡率的預(yù)測。結(jié)果分析發(fā)現(xiàn)，DRSA-BRE算法預(yù)測住院死亡率的敏感性（81%±2.4%）和特異性（81.1%±0.5%）的表現(xiàn)最佳。

傳統(tǒng)的危險(xiǎn)度分層模型提供了預(yù)測未來不良事件發(fā)生概率的工具，而人工智能則有實(shí)現(xiàn)并超越傳統(tǒng)模型的預(yù)測能力，同時(shí)提高了個(gè)體化和精準(zhǔn)化診治的能力。

3 結(jié)語與展望

人工智能因其可處理統(tǒng)計(jì)學(xué)尚不能解決的問題而在醫(yī)學(xué)領(lǐng)域得到重視［30］，但目前有關(guān)人工智能的研究所采用的均是回顧性的研究方法，即旨在驗(yàn)證人工智能的一種能力，未來應(yīng)有更多前瞻性的研究進(jìn)一步證實(shí)人工智能的實(shí)用價(jià)值。

盡管人工智能在冠心病診斷及其危險(xiǎn)度分層中的能力得到了驗(yàn)證，但是目前的算法因開發(fā)者不同，在實(shí)際操作及其結(jié)果解讀上均還存在差別，建立標(biāo)準(zhǔn)化的規(guī)則使其更易操作和可讀也成為未來人工智能需要突破的方向之一。在冠心病診斷處理方面，目前與人工智能相關(guān)的大部分研究均是基于冠脈CTA和G-MPI等可視化的功能檢查，這種結(jié)合顯著提升了醫(yī)療的精準(zhǔn)化和個(gè)體化［31］。但目前的人工智能系統(tǒng)在患者的病史和體格檢查等重要信息的利用上還存在明顯不足，原因之一即是目前的病歷系統(tǒng)尚未完全做到結(jié)構(gòu)化，計(jì)算機(jī)算法無法有效地抓取相關(guān)信息進(jìn)行分析，而結(jié)構(gòu)化的電子病歷系統(tǒng)或許可以解決這一難題。

心臟超聲心動圖作為臨床廣泛應(yīng)用的無創(chuàng)影像學(xué)檢查之一［32］，其圖像質(zhì)量與操作者經(jīng)驗(yàn)密切相關(guān)，因此將心臟超聲心動圖與人工智能相結(jié)合用于冠心病診斷及危險(xiǎn)度分層中的研究均局限于小樣本研究［33］。希望未來能開發(fā)出更適宜的算法與其融合，擴(kuò)大其在冠心病診斷及危險(xiǎn)度分層中的應(yīng)用。人工智能在冠心病診治方面的能力目前已得到了較好驗(yàn)證，隨著人工智能的進(jìn)一步發(fā)展及其相關(guān)規(guī)則的標(biāo)準(zhǔn)化和病史等臨床信息的結(jié)構(gòu)化，人工智能在其他心血管疾病診治方面的能力也會有突破性的進(jìn)展。