張湘敏 呂梁 劉興利 宋巍 楊凈松 杜自宏 龍芳敏

心臟影像診斷是評估心臟疾病的主要方法之一。 目前，MRI、CT、超聲、核醫(yī)學(xué)等心臟成像技術(shù)已普遍應(yīng)用于臨床， 其臨床價值亦得到廣泛認(rèn)可。 但圖像后處理較為耗時并且易受影像醫(yī)師個人主觀因素的影響， 導(dǎo)致對疾病檢出或病情程度判斷的結(jié)果不一致，故而有其局限性。 人工智能（artificial intelligence,AI）是以計算機科學(xué)為基礎(chǔ)進行的多領(lǐng)域多學(xué)科交叉研究， 將模擬及擴展人的智能的理論和方式應(yīng)用于生活的各個領(lǐng)域[1]。 AI 在醫(yī)學(xué)成像領(lǐng)域的應(yīng)用可以縮短圖像后處理時間， 基于大數(shù)據(jù)的客觀分析使診斷結(jié)果更為可靠[2-3]。 基于AI 技術(shù)的心臟影像診斷不僅使影像檢查更為快速、安全，還能為病人提供經(jīng)濟、精準(zhǔn)的醫(yī)療方案。

1 AI 自動化處理的基本原理

AI 分為傳統(tǒng)的機器學(xué)習(xí)（machine learning,ML）和深度學(xué)習(xí)（deep learning,DL）。 ML 是通過將以往的經(jīng)驗性數(shù)據(jù)輸入計算機中， 基于大數(shù)據(jù)逐步學(xué)習(xí)規(guī)則和識別模式， 通過分析人工設(shè)置的特征性指標(biāo)得出結(jié)果。DL 是在ML 基礎(chǔ)上引入多層感知機即人工神經(jīng)網(wǎng)絡(luò)，它是一種高度依賴大數(shù)據(jù)的算法，依靠建立的深度神經(jīng)網(wǎng)絡(luò)模擬人腦學(xué)習(xí)、分析病灶特征，其性能隨著導(dǎo)入數(shù)據(jù)量和訓(xùn)練強度的增加而增強。兩者主要學(xué)習(xí)模式均為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。 監(jiān)督學(xué)習(xí)是通過訓(xùn)練智能系統(tǒng)識別目標(biāo)病灶特征與其定義標(biāo)簽的聯(lián)系， 按照標(biāo)簽結(jié)果自動對病灶進行精確的定義， 可對通過影像掃描采集的離散型數(shù)據(jù)進行分類， 對連續(xù)型數(shù)據(jù)進行回歸分析。 而非監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)并未錄入標(biāo)簽， 通過相似性確定分類的學(xué)習(xí)方法，由系統(tǒng)對數(shù)據(jù)進行聚類分析，自動從數(shù)據(jù)中提取一個特殊的結(jié)構(gòu)。 醫(yī)學(xué)領(lǐng)域應(yīng)用較多的為卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN），可降低運算的復(fù)雜程度， 減少訓(xùn)練參數(shù)的數(shù)目[4]。CNN 由輸入層、輸出層及中間隱藏層組成。 每一層以端到端的方式連接， 并且使用反向傳播來優(yōu)化權(quán)重。 目前，CNN 已成為提取心血管成像集中特征的“首選”方法[5]。 DL 與傳統(tǒng)的ML 在醫(yī)學(xué)成像中的應(yīng)用各有優(yōu)勢。傳統(tǒng)的ML 適用于小數(shù)據(jù)的影像分析，且算法的執(zhí)行時間較少， 嚴(yán)格按照設(shè)置的標(biāo)準(zhǔn)將病灶拆分，再通過逐個分析得出結(jié)果、整合定義，但需要人工標(biāo)記病灶特征，成本較高。 而DL 適用于大數(shù)據(jù)的處理，計算量龐大，但需大量耗時訓(xùn)練，對系統(tǒng)配置要求較高。此外，傳統(tǒng)的ML 按照人工標(biāo)準(zhǔn)定義病灶，而DL 采取深度神經(jīng)網(wǎng)絡(luò)“端到端”的處理模式，即所謂“黑箱”模式，其結(jié)果有時使人費解，但這超越人類思維的處理模式同時也證明了DL 在未來醫(yī)學(xué)成像發(fā)展中的潛力。

2 基于AI 的不同影像檢查方法在心臟成像中的應(yīng)用

2.1 心臟超聲成像 AI 在心臟超聲中可對心臟進行檢測、分類、分割和生成報告，而研究主要集中在分類和分割。Madani 等[6]研究表明AI 在視圖分類方面的性能與人工分類的超聲心動圖相似；Khamis等[7]報道，AI 利用一種新型的時間-空間特征訓(xùn)練和監(jiān)督學(xué)習(xí)，可以正確地分類頂端雙腔、頂端四腔和頂端長軸影像，準(zhǔn)確度分別為97%、91%和97%。 而心室的分割可為自動化測定射血分?jǐn)?shù)提供基礎(chǔ)， 隨著訓(xùn)練影像數(shù)量的增加，AI 對心室分割的精準(zhǔn)度更高。AI 可以在三維超聲心動圖數(shù)據(jù)采集中自動分割整個心動周期的左心室和左心房心內(nèi)膜邊界， 從而可以精確測量左心室、左心房的容積和射血分?jǐn)?shù)[8]。Knackstedt 等[9]研究表明AI 自動化測量超聲心動圖數(shù)據(jù)可靠， 能可重復(fù)地計算射血分?jǐn)?shù)和縱向應(yīng)變。將自動生成的數(shù)值與通過視覺估計和手動追蹤獲得的數(shù)值進行比較， 前者僅需約8 s 即可獲得優(yōu)于人工采集的圖像和精準(zhǔn)的數(shù)據(jù)，耗時大大減少。 AI 對心室輪廓的自動分割和功能參數(shù)的自動計算不僅可以較好地診斷心臟疾病，還能客觀地判斷預(yù)后。Shah等[10]利用心臟超聲影像數(shù)據(jù)和臨床變量組合訓(xùn)練AI對射血分?jǐn)?shù)保留性心力衰竭病人分類并預(yù)測其預(yù)后，結(jié)果顯示受試者操作特征曲線下面積（AUC）為0.70~0.76。 但Tamborini 等[11]研究發(fā)現(xiàn)，對于少數(shù)病例（如先天性小心腔室疾病），AI 不能很好地識別這類病人的左心室心肌。 而Genovese 等[12]對56 例心臟MR 檢查提示心功能降低的病人采用AI-超聲心動圖全自動測量右心室大小、 收縮末期及舒張末期體積和射血分?jǐn)?shù)， 結(jié)果顯示通過AI-超聲心動圖可對所有病人的右心室進行定量分析，在32%的病人中實現(xiàn)了完全自動數(shù)據(jù)采集處理，另外68%在自動處理后還需編輯心內(nèi)膜輪廓來保證數(shù)據(jù)的精確性。因此，在目前的AI 影像研究中，對于左心室的研究相對成熟， 而對右心室影像和罕見病例的自動化處理可能還需要進一步擴充相關(guān)影像數(shù)據(jù)。 盡管AI對于部分影像資料和罕見疾病數(shù)據(jù)仍無法實現(xiàn)完全自動化處理， 但在對心臟超聲影像的自動分割及房室容積的自動化測量、 快速采集圖像和數(shù)據(jù)收集得出射血分?jǐn)?shù)等心功能指標(biāo)， 以及對病人分類的功能和預(yù)后評估方面， 其效能均有較大技術(shù)突破。 有研究[13-14]報道，基于超聲數(shù)據(jù)庫的人工神經(jīng)網(wǎng)絡(luò)可根據(jù)心阻抗圖直接為臨床提供重要的超聲心動圖參數(shù)， 也能通過心電圖篩查心臟收縮功能障礙。 基于AI 的心臟超聲影像檢查方法將來可進一步簡化，成為一種更經(jīng)濟、高效的心臟檢查技術(shù)。

2.2 心臟CT 成像 目前心臟CT 成像的研究主要是基于AI 的冠狀動脈低劑量CT 成像和針對血管狹窄段的直徑、面積、長度的分析以及動脈硬化軟硬斑塊的檢出與定量評估。 AI 中基于DL 的圖像重建不同于傳統(tǒng)的迭代重建， 在噪聲數(shù)據(jù)庫中，AI 可以自動重組高噪聲圖像像素位點，從而降低圖像噪聲。有研究者[15-16]以低劑量特征訓(xùn)練AI 中的CNN，可將病人的低劑量掃描影像重建為常規(guī)劑量的CT 影像，展示了AI 在改善冠狀動脈CT 影像重建中的價值。 Tatsugami 等[17]以高輻射劑量掃描得到的優(yōu)質(zhì)冠狀動脈影像作為訓(xùn)練數(shù)據(jù)， 結(jié)果在低劑量冠狀動脈CT 血管成像（coronary computed tomography angiography，CCTA）上得到了低噪聲、高分辨力的影像，并且輸入更復(fù)雜的數(shù)據(jù)訓(xùn)練CNN 時， 可以增強基于DL 的圖像重建效能。 AI 已廣泛應(yīng)用于冠狀動脈鈣化積分和冠狀動脈狹窄的定性、 定量診斷。 通過兩階段分類法實現(xiàn)自動化低劑量心電門控CT 冠狀動脈鈣化評分，其評分結(jié)果與手動操作一致性較高[18]。Kang 等[19]應(yīng)用AI 自動化分類CCTA 阻塞性和非阻塞性冠狀動脈疾病，準(zhǔn)確度高達(dá)94%，AUC 為0.94。AI 自動化分析能對斑塊分類，對斑塊總體積和冠狀動脈狹窄數(shù)據(jù)的測定比單純CCTA 更精確。此外，基于AI 的CCTA 冠狀動脈病變特征評分較傳統(tǒng)的冠狀動脈疾病報告與數(shù)據(jù)系統(tǒng)（coronary artery disease reporting and data system，CAD-RADS） 評分能更好地區(qū)分是否發(fā)生心血管不良事件的病人[20]。

利用CCTA 數(shù)據(jù)， 通過計算流體力學(xué)和血管解剖生理模型的結(jié)合可以模擬計算血流儲備分?jǐn)?shù)（fractional flow reserve，F(xiàn)FR）[21]。 AI 也可以直接通過CCTA 特征計算基于CTA 的FFR（FFRCT），結(jié)果表明其對評估不良心血管事件風(fēng)險具有實用價值[22]。Dey等[23]在一項多中心研究中，利用AI 提取254 例病人的CCTA 影像特征預(yù)測FFR， 發(fā)現(xiàn)基于AI 的FFR對病變血管特異性缺血的診斷效能高于單獨的CCTA。 目前一些研究者也開展了基于CT 影像的心臟分割研究。 Commandeur 等[24]通過對AI 的訓(xùn)練和驗證， 結(jié)果顯示全自動分割胸腔和心外膜脂肪的結(jié)果與心血管專家手動分割具有極好的相關(guān)性（相關(guān)系數(shù)分別為0.945 和0.926），自動化分割僅需3 s，而心血管專家手動分割則需10~11 min。 Zreik 等[25]也將AI 應(yīng)用于心肌內(nèi)缺血性變化的CCTA 影像的自動分析， 可以鑒別心功能受限的冠狀動脈狹窄。AI 通過自動測量鈣化積分、冠狀動脈斑塊體積及冠狀動脈管腔狹窄程度，可獲得CCTA 中有關(guān)解剖學(xué)和功能的信息，更好地評估心血管病變，進而精準(zhǔn)判斷病人預(yù)后。 目前在AI 的研究中，傳統(tǒng)ML 主要應(yīng)用在基于CT 影像數(shù)據(jù)分類分析對心血管疾病進行診斷和預(yù)后預(yù)測，而DL 則是采取直接“端到端”模式對影像直接預(yù)測結(jié)果，適用于大型復(fù)雜數(shù)據(jù)的分析，如基因組學(xué)[26]。 傳統(tǒng)ML 的研究相對較成熟，基于CT 影像數(shù)據(jù)的ML 方法不僅可以提高診斷疾病的特異性并預(yù)測遠(yuǎn)期疾病進展風(fēng)險，還可以預(yù)測病人的預(yù)后情況。 基于CCTA 數(shù)據(jù)的ML 預(yù)測冠狀動脈疾病病人5 年全因死亡率的AUC 為0.79，F(xiàn)ramingham風(fēng)險評分為0.61，節(jié)段狹窄評分0.64，節(jié)段累積積分0.64， 杜克指數(shù)0.62，ML 結(jié)合動脈粥樣斑塊表征定量軟件可對病人進行精確的心血管風(fēng)險分層， 對病人個體化精準(zhǔn)治療具有重要的臨床意義[27-29]。 綜上，通過AI 低劑量數(shù)據(jù)特征訓(xùn)練，在不改變影像診斷質(zhì)量的前提下可大幅降低病人在一次掃描時所接受的輻射劑量。 同時，AI 對心臟自動分割的耗時不僅低至3 s，而且對冠狀動脈鈣化斑塊的分類、定性、定量及冠狀動脈狹窄程度的判斷一定程度上比人工診斷更精確， 尤其是基于CCTA 數(shù)據(jù)自動化計算的FFRCT對冠狀動脈疾病病人進行預(yù)后風(fēng)險評估的性能顯著優(yōu)于單獨的臨床和CCTA 指標(biāo)。

2.3 心臟MRI 在心臟MRI 中， 自動分割心臟結(jié)構(gòu)和鑒別心肌梗死組織是AI 的研究熱點。 尤其是分割短軸圖像重建中的心臟結(jié)構(gòu)， 可以量化心臟功能。Karim 等[30]利用AI 對心臟MRI 增強晚期影像進行自動分割，表明AI 算法分割比固定模型具有更好的準(zhǔn)確性。 Baessler 等[31]通過利用AI 從MRI 影像中提取心臟紋理特征來區(qū)分心肌梗死組和對照組，多重邏輯回歸顯示AUC 為0.92， 亦表明AI 可以較好地鑒別心肌正常組織和梗死組織。 Bernard 等[32]已成功地在心臟MRI 中自動分割左心室腔、左心室心肌和右心室，并基于圖像數(shù)據(jù)診斷區(qū)分?jǐn)U張型心肌病、肥厚型心肌病、左室射血分?jǐn)?shù)改變的心肌梗死、右心室異常和無心臟疾病的病人，評價心功能方面，2D-3D U-Net 集成模型效能最佳，左室射血分?jǐn)?shù)和右室射血分?jǐn)?shù)測量誤差低于5%的病人分別占92%和68%。 AI 還能基于輸入的右心室三維心臟運動數(shù)據(jù)對肺動脈高壓病人進行建模預(yù)測其生存率， 表明了在心臟MRI 中AI 的應(yīng)用對高風(fēng)險病人早期干預(yù)可以起到積極作用[33]。 有研究[34]報道，因臨床檢查需求不同（如心肌、血流），心臟MRI 掃描需多個序列完成，單個序列檢查需6～7 min，且后處理耗時較長，完成需30 min，而AI 自動化分析單個序列，僅需不足1 min， 并且可獲得高質(zhì)量的對比增強曲線，2 種方法所得影像的診斷效能基本一致（AUC 為0.72 和0.73），但由于MRI 中不同的脈沖序列、掃描參數(shù)和成像協(xié)議使得自動化處理變得復(fù)雜，大多數(shù)基于AI的心臟MRI 掃描和后處理仍需要人工輔助完成。加之部分體積效應(yīng)引起的室腔邊界模糊， 左心室乳頭肌、 右心室小梁與周圍心肌組織信號相似導(dǎo)致自動化處理時不易分割等問題， 致使AI 在心臟MRI 中的應(yīng)用還存在較多困難。 但在2018 年北美放射學(xué)年會上多位研究者報道了AI 在心臟MRI 中的技術(shù)突破，在診斷擴張型心肌病、測定心肌纖維化、快速采集高質(zhì)量心臟MRI 影像以及評估左心室容積方面均取得了較好的研究成果[4]。 隨著AI 算法的更新，心臟MRI 在心臟疾病中的應(yīng)用將具有潛在的良好價值。

2.4 心臟SPECT 和PET 成像 AI 對單光子發(fā)射體層成像（SPECT）的研究主要集中在評估心肌灌注。AI 能對正常和異常的SPECT 心臟圖像進行分類，效能與人工視覺分類相似，而且相較于常規(guī)評分，人工神經(jīng)網(wǎng)絡(luò)對心肌異常部分檢測時能夠顯著提高對心肌負(fù)荷顯像、 靜息顯像和應(yīng)激性心肌缺血的識別能力，對于AI 系統(tǒng)的再培訓(xùn)還能進一步增強其診斷心肌缺血的能力[35-37]。AI 中LogitBoost 和支持向量機算法能整合心肌灌注成像的定量灌注、功能和臨床變量數(shù)據(jù)，可顯著改善SPECT 的診斷效能[38-39]。Betancur等[40-41]應(yīng)用AI 處理1 638 例病人心臟SPECT 極坐標(biāo)靶心圖像，發(fā)現(xiàn)AI 可以基于心肌總灌注不足識別阻塞性冠狀動脈疾病， 提高對CAD 病人和病變血管的診斷準(zhǔn)確率，同時，結(jié)合病人臨床信息和心肌灌注SPECT 數(shù)據(jù)進行風(fēng)險評估的效能較單一心肌灌注SPECT 數(shù)據(jù)更高，可以提高SPECT 的準(zhǔn)確性。Arsanjani 等[42]研究也表明AI 聯(lián)合SPECT 在預(yù)測心臟早期血運重建和心血管不良事件方面具有顯著優(yōu)勢。 AI 也能處理正電子發(fā)射體層成像（PET）結(jié)合CCTA 產(chǎn)生的冠狀動脈功能障礙數(shù)據(jù)，對斑塊狹窄、心肌負(fù)荷、心肌質(zhì)量進行定量分析，且整合后進行風(fēng)險評估，以量化受損心肌血流儲備[43]。但由于PET 心臟成像成本較高，故很少應(yīng)用于臨床。 盡管SPECT和PET 成像時病人所接受的高輻射劑量仍然是AI用于心臟核成像模式的主要限制[44]，但AI 在SPECT和PET 心肌灌注成像的應(yīng)用價值已得到證實。 隨著研究的不斷深入，AI 在心臟SPECT 和PET 成像中的臨床價值有望得到進一步提升。

3 小結(jié)

AI 在心臟成像中的應(yīng)用均以心臟分割和快速成像為核心， 但在不同成像方法中各有優(yōu)勢。 心臟超聲主要通過射血分?jǐn)?shù)評價心臟功能， 今后可能圍繞射血分?jǐn)?shù)的自動化計算以及AI-心阻抗圖-超聲心動圖參數(shù)快速檢測進行研究， 而心臟CT 主要通過鈣化斑塊的自動化定性、 定量和FFRCT對病人進行診斷及預(yù)后評估。 AI-MRI 對心肌疾病（如心肌纖維化）的診斷優(yōu)于其他成像方法，但由于序列復(fù)雜等多種因素限制， 目前對圖像的自動化處理程度不如CT 和超聲。 SPECT 和PET 在心肌灌注、心臟早期血運重建和心血管不良事件預(yù)估方面有一定優(yōu)勢，但需要進行更多的實驗進一步論證， 且一次掃描中的高成本和高輻射劑量問題尚待解決。

目前基于AI 的心臟成像技術(shù)在各個方面已取得了突破性進展，但需要認(rèn)識其局限性：①ML 依賴人工標(biāo)記病灶特征進行學(xué)習(xí)， 但人工成本偏高；而DL 高度依賴大數(shù)據(jù)庫進行優(yōu)化，基于數(shù)據(jù)的產(chǎn)權(quán)問題使資料難以收集；②用以訓(xùn)練AI 的數(shù)據(jù)庫并不統(tǒng)一，自動化評估病灶的算法也不盡相同，對疾病的診斷、預(yù)后評估等仍存在一定偏差；③AI 應(yīng)用于臨床帶來的一系列如醫(yī)療安全、責(zé)任劃分等倫理性挑戰(zhàn)，目前仍沒有很好的應(yīng)對策略。 隨著AI 研究進步，心臟影像診斷已經(jīng)進入了一個新的時代，AI 系統(tǒng)研發(fā)以及臨床應(yīng)用的日漸成熟，心臟影像檢查將會為臨床提供更多的信息，也將進一步推進精準(zhǔn)醫(yī)療的發(fā)展。