魏 珂，司春嬰，王 賀，劉小明，關(guān)懷敏＊＊

（1. 河南中醫(yī)藥大學(xué)第一臨床醫(yī)學(xué)院 鄭州 450000；2. 河南中醫(yī)藥大學(xué)第一附屬醫(yī)院心臟中心鄭州 450000；3. 中原工學(xué)院計(jì)算機(jī)學(xué)院 鄭州 450000）

人工智能（artificial intelligence，AI）的概念最早于1956 年在達(dá)特茅斯會(huì)議提出，旨在模仿人類的思維過程、學(xué)習(xí)能力并賦予計(jì)算機(jī)執(zhí)行認(rèn)知功能的能力[1]。近年來，獲益于醫(yī)學(xué)大數(shù)據(jù)的爆炸式增長以及計(jì)算機(jī)的運(yùn)算速度提升，基于機(jī)器學(xué)習(xí)算法的人工智能技術(shù)滲透到醫(yī)學(xué)的各個(gè)領(lǐng)域。在心血管病方面，傳統(tǒng)的診療過程依賴于臨床醫(yī)師對患者的臨床癥狀，心電圖（electrocardiogram，ECG）、影像學(xué)以及血液檢驗(yàn)結(jié)果的分析。而心臟血管影像精細(xì)，心電圖圖形復(fù)雜，利用人工智能技術(shù)輔助醫(yī)學(xué)影像自動(dòng)化解釋，能夠減少主觀因素帶來的誤判，提高臨床診療效率。同時(shí)，在心血管病風(fēng)險(xiǎn)評估領(lǐng)域，人工智能可以通過深度整合心血管疾病大數(shù)據(jù)，構(gòu)建疾病的風(fēng)險(xiǎn)預(yù)測模型，預(yù)測病情的演變，有助于醫(yī)生提供個(gè)性化的精準(zhǔn)診療[2]。在當(dāng)前新冠肺炎疫情下，通過手術(shù)機(jī)器人對患者進(jìn)行經(jīng)皮冠狀動(dòng)脈介入治療（percutaneous coronary intervention，PCI），可以減少與新冠肺炎患者近距離接觸，降低暴露風(fēng)險(xiǎn)[3，4]。目前，人工智能在心血管病領(lǐng)域中的應(yīng)用成為了交叉學(xué)科中的研究熱點(diǎn)。本文旨在綜合國內(nèi)外學(xué)者在心血管病領(lǐng)域開展的人工智能研究，以期為人工智能在心血管病領(lǐng)域中的進(jìn)一步研究提供參考。

1 機(jī)器學(xué)習(xí)的基本概念及分類

機(jī)器學(xué)習(xí)是AI的核心，是使計(jì)算機(jī)智能化的根本途徑。機(jī)器學(xué)習(xí)是指計(jì)算機(jī)在沒有先驗(yàn)知識(shí)的情況下，通過對樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，從原始數(shù)據(jù)中提取特征構(gòu)建模型，然后利用模型對新的數(shù)據(jù)進(jìn)行預(yù)測分類[5]。在訓(xùn)練模型的過程中，數(shù)據(jù)是機(jī)器學(xué)習(xí)算法的第一要素，也是AI 的基石。目前，醫(yī)院儲(chǔ)存有海量電子病歷、影像學(xué)資料和實(shí)驗(yàn)室檢查數(shù)據(jù)，從而加速了機(jī)器學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的發(fā)展。在心血管病領(lǐng)域應(yīng)用中，機(jī)器學(xué)習(xí)根據(jù)所處理數(shù)據(jù)以及訓(xùn)練方法的不同，可以分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)[6]。

監(jiān)督學(xué)習(xí)是指算法通過學(xué)習(xí)帶有標(biāo)注的數(shù)據(jù)集和相應(yīng)的輸出結(jié)果，找到輸入的數(shù)據(jù)與輸出數(shù)據(jù)間所存在的某種映射關(guān)系[7]。因此，常應(yīng)用于構(gòu)建疾病風(fēng)險(xiǎn)預(yù)測模型，如對急性冠脈綜合征患者PCI 術(shù)后發(fā)生主要心血管不良事件（major adverse cardiovascular events，MACE）進(jìn)行預(yù)測[8]。常見的監(jiān)督學(xué)習(xí)算法有l(wèi)ogistic 回歸，支持向量機(jī)、樸素貝葉斯和隨機(jī)森林（表1）。無監(jiān)督學(xué)習(xí)尋求發(fā)現(xiàn)數(shù)據(jù)集中變量間的底層結(jié)構(gòu)，無需提前對樣本數(shù)據(jù)進(jìn)行標(biāo)注，以揭示數(shù)據(jù)間潛在的內(nèi)在聯(lián)系。包括從豐富的組學(xué)大數(shù)據(jù)中自動(dòng)提取分子特征，發(fā)現(xiàn)新的發(fā)病機(jī)制、基因型或表型[9，10]。Chung[11]等利用無監(jiān)督算法在小鼠心臟重塑過程中對小鼠的基因組學(xué)，蛋白質(zhì)組學(xué)和代謝組學(xué)進(jìn)行了分類，以尋找心臟疾病遺傳模式背后的邏輯。無監(jiān)督學(xué)習(xí)常見的算法有聚類和降維。

在過去的五年里，AI的巨大進(jìn)步主要是由深度學(xué)習(xí)算法推動(dòng)的[12]。2016年Google公司開發(fā)的一款名為AlphaGo 的深度學(xué)習(xí)算法擊敗了人類頂尖圍棋選手，由此掀起了近5年來的AI熱潮[13]。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子領(lǐng)域，其本身不是一種獨(dú)立的學(xué)習(xí)方法，以傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，一種多層疊加的神經(jīng)網(wǎng)絡(luò)模型(通常5-25 層)[14]。由于深度學(xué)習(xí)模型在處理大樣本量數(shù)據(jù)以及計(jì)算機(jī)視覺領(lǐng)域中的優(yōu)異表現(xiàn)，這也使深度學(xué)習(xí)算法在醫(yī)學(xué)影像自動(dòng)化解讀方面戰(zhàn)勝了很多經(jīng)典的機(jī)器學(xué)習(xí)算法[15]。如Gharaibeh[16]等構(gòu)建深度學(xué)習(xí)模型通過學(xué)習(xí)冠脈光學(xué)相干斷層成像（optical coherence tomography，OCT），可以自動(dòng)識(shí)別鈣化斑塊、精準(zhǔn)分割血管輪廓以及量化管腔面積狹窄率，進(jìn)而輔助醫(yī)生優(yōu)化手術(shù)方案。常見的深度學(xué)習(xí)算法模型有卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)。

2 人工智能在心血管病風(fēng)險(xiǎn)預(yù)測中的應(yīng)用

心血管病的發(fā)生是由遺傳、環(huán)境和行為學(xué)等多因素造成?，F(xiàn)階段臨床常用的危險(xiǎn)分層工具都是基于回歸模型來分析心血管的危險(xiǎn)因素，例如在臨床和科研中廣泛應(yīng)用Framingham 心血管風(fēng)險(xiǎn)評分和Grace危險(xiǎn)評分。但是傳統(tǒng)的回歸模型無法分析臨床變量間交互作用產(chǎn)生的潛在影響，而心血管病各危險(xiǎn)因素間的關(guān)系又非相互獨(dú)立，部分心血管病危險(xiǎn)因素間存在著明顯正相關(guān)[17]。與傳統(tǒng)的回歸模型相比，機(jī)器學(xué)習(xí)算法可以分析危險(xiǎn)因素之間的交互作用，對于非線性的臨床數(shù)據(jù)的處理有著先天優(yōu)勢，可以構(gòu)建更為精準(zhǔn)的心血管風(fēng)險(xiǎn)評估模型[18]。

2.1 治未病思想與心血管病危險(xiǎn)因素管理

對心血管病進(jìn)行風(fēng)險(xiǎn)評估和危險(xiǎn)因素管理是預(yù)防心血管病的重要措施。隨著國民生活方式的轉(zhuǎn)變以及我國人口老齡化進(jìn)程的加速，中國心血管病危險(xiǎn)因素流行趨勢明顯，導(dǎo)致以心血管疾病為代表的慢性病發(fā)病人數(shù)持續(xù)增加，發(fā)病年齡不斷前移[19]。面對心血管病的負(fù)擔(dān)不斷加重，提高防治水平仍是我們努力的方向。自古以來，我國醫(yī)學(xué)家對疾病預(yù)防的研究從未止步，在西醫(yī)尚未被引進(jìn)我國的時(shí)候，醫(yī)者們就用中醫(yī)理論對疾病預(yù)防的理念進(jìn)行了闡述。“治未病”的思想從《黃帝內(nèi)經(jīng)》中“圣人不治已病治未病，不治已亂治未亂”到《傷寒雜病論》中“上工治未病”[20]。后經(jīng)歷長期實(shí)踐，歷代醫(yī)學(xué)家對其有所發(fā)揮，逐步構(gòu)成了大醫(yī)學(xué)家孫思邈的“未病先防、既病防變、瘥后防復(fù)?！钡睦碚擉w系[21]。通過掌握潛在的發(fā)病因素，在疾病還未發(fā)生之時(shí)，對危險(xiǎn)因素主動(dòng)干預(yù)，防患于未然，這些理念也奠定了我國預(yù)防醫(yī)學(xué)理論基礎(chǔ)[22]。將中醫(yī)治未病的思想與機(jī)器學(xué)習(xí)算法相結(jié)合，對心血管疾病進(jìn)行早期風(fēng)險(xiǎn)預(yù)測，是檢出高風(fēng)險(xiǎn)個(gè)體的必要手段，有助于醫(yī)務(wù)人員對高危個(gè)體制定近遠(yuǎn)期的治療方案。同時(shí)，根據(jù)不同的病癥類型進(jìn)行辨證施治，以患者取得最大受益為宗旨，也體現(xiàn)了現(xiàn)代精準(zhǔn)醫(yī)療的思想。辨證論治是將非線性、高維性和異構(gòu)性的復(fù)雜數(shù)據(jù)系統(tǒng)化的過程[23]。冠心病心絞痛證候要素主要包括氣虛、血瘀、痰濁、熱蘊(yùn)、氣滯、陽虛、寒凝、陰虛。其發(fā)生由“心主血脈”的功能失調(diào)引起，而血瘀和氣虛作為主要病因貫穿于冠心病PCI 術(shù)后始終[24]。傳統(tǒng)中醫(yī)對于癥候的辨識(shí)往往取決于醫(yī)師的主觀意識(shí)和經(jīng)驗(yàn)累積，癥候辨識(shí)的精確性和重復(fù)性較差。而機(jī)器學(xué)習(xí)模型可以通過學(xué)習(xí)大樣本癥候數(shù)據(jù)，提高對于癥候的辨識(shí)。許朝霞[25]等基于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)模型對心血管疾病的6 種中醫(yī)證候進(jìn)行分類識(shí)別。研究納入2218 例心血管病患者的癥候信息，采用隨機(jī)樣本多次訓(xùn)練預(yù)測取平均值的方法，計(jì)算預(yù)測準(zhǔn)確率。結(jié)果表明基于人工神經(jīng)網(wǎng)絡(luò)對于癥候辨識(shí)的準(zhǔn)確率最高，對于氣虛、痰濁、血瘀識(shí)別的準(zhǔn)確率分別為92.4%、77.8%和63.1%，為心血管病證候的機(jī)器學(xué)習(xí)分類模型相關(guān)研究提供了參考。

表1 機(jī)器學(xué)習(xí)算法介紹

醫(yī)療大數(shù)據(jù)驅(qū)動(dòng)下的疾病風(fēng)險(xiǎn)預(yù)測模型，可以對心血管等慢性病的早期識(shí)別和預(yù)防，以減輕醫(yī)療衛(wèi)生系統(tǒng)的負(fù)擔(dān)[26]，與此同時(shí)，通過心血管病風(fēng)險(xiǎn)預(yù)測模型，能讓患者本人更清楚自己身體狀況，增強(qiáng)患者健康管理意識(shí)，改變不良的生活習(xí)慣，這與中醫(yī)理論“治未病”的預(yù)防理念也相契合。

2.2 機(jī)器學(xué)習(xí)在血運(yùn)重建風(fēng)險(xiǎn)評估中的應(yīng)用

在心血管病介入治療過程中，風(fēng)險(xiǎn)-獲益評估是對患者進(jìn)行血運(yùn)重建治療決策的基礎(chǔ)。運(yùn)用危險(xiǎn)評分可在血運(yùn)重建前用于預(yù)測患者結(jié)果，為患者選擇PCI 或是冠狀動(dòng)脈旁路移植術(shù)治療，也可以預(yù)測心肌血運(yùn)重建術(shù)后MACE 事件的發(fā)生率[27]。目前在臨床血運(yùn)重建常用的危險(xiǎn)評分主要有SYNTAX Ⅱ評分、EuroSCOREⅡ評分。評分系統(tǒng)整合了臨床和冠狀動(dòng)脈病變解剖學(xué)因素，如靶血管分布、嚴(yán)重程度、分叉病變等解剖特點(diǎn)，根據(jù)積分的高低為血運(yùn)重建患者進(jìn)行風(fēng)險(xiǎn)評估。但是基于傳統(tǒng)回歸模型的危險(xiǎn)評分只能分析少量的心血管危險(xiǎn)因素，而機(jī)器學(xué)習(xí)模型可以通過全面整合患者心血管病危險(xiǎn)因素和靶病變血管影像資料，預(yù)測冠心病患者將來是否需要進(jìn)行血運(yùn)重建，以及 PCI 術(shù)后 MACE 事件風(fēng)險(xiǎn)預(yù)測[28]。Baskaran[29]等基于1503 名疑似冠心病患者的91 個(gè)臨床變量組成的數(shù)據(jù)集（包括靶病變血管數(shù)量、位置、狹窄程度、性別、年齡、BMI、糖尿病和高血壓病史等記錄），利用XGBoost 模型構(gòu)建冠心病患者1 年內(nèi)血運(yùn)重建的預(yù)測模型。并采用五折交叉驗(yàn)證，通過受試者工作特征曲線下面積（area under curve，AUC）評估模型效果。研究將患者分為侵入性冠狀動(dòng)脈造影（invasive coronary angiography，ICA）組和冠狀動(dòng)脈CT 血管造影（coronary CT angiography，CCTA)組，分別基于兩組的各自冠脈參數(shù)和臨床指標(biāo)構(gòu)建預(yù)測模型。結(jié)果表明，無論模型的冠脈影像參數(shù)是來自于ICA 還是來自CCTA，對于患者1 年內(nèi)是否進(jìn)行血運(yùn)重建的預(yù)測無明顯差異，但是當(dāng)去除冠脈影像變量時(shí)會(huì)大大降低模型性能，風(fēng)險(xiǎn)預(yù)測模型的AUC 從0.95 下降至0.63。該研究為進(jìn)一步構(gòu)建血運(yùn)重建預(yù)測模型提供了基礎(chǔ)。血運(yùn)重建對于冠心病患者的治療并不是一勞永逸，如PCI 術(shù)后發(fā)生支架內(nèi)再狹窄（in-stent restenosis，ISR）依然是PCI術(shù)后面臨的考驗(yàn)。ISR是指支架全程和/或支架兩端5 mm節(jié)段內(nèi)管腔丟失，導(dǎo)致管腔狹窄程度≥50%，表現(xiàn)為再次發(fā)生心絞痛或急性心肌梗死等。Sampedro[30]基于機(jī)器學(xué)習(xí)算法開發(fā)了ISR 風(fēng)險(xiǎn)預(yù)測模型，研究納入263名急性心?；颊逷CI 治療后的68 個(gè)臨床變量作為數(shù)據(jù)集，主要包括冠脈造影參數(shù)和臨床指標(biāo)。其中23名患者在12 個(gè)月的隨訪中發(fā)生ISR。但是由于ISR 事件數(shù)量相對較少，所以模型采用十折交叉驗(yàn)證限制模型過擬合。結(jié)果表明糖尿病、多支病變、植入支架數(shù)量、最小管腔直徑以及PCI 術(shù)后血小板異常升高是發(fā)生ISR 的主要預(yù)測因子。此外，一些團(tuán)隊(duì)基于機(jī)器學(xué)習(xí)模型開發(fā)了用于預(yù)測院內(nèi)心臟驟停[31]、院外心臟驟停患者預(yù)后評估模型[32]。如Johnsson[33]等基于人工神經(jīng)網(wǎng)絡(luò)構(gòu)建了院外心臟驟停后缺血性腦損傷患者的神經(jīng)系統(tǒng)預(yù)后預(yù)測模型。研究通過納入932名心臟驟?；颊邚?fù)蘇后的54個(gè)臨床變量，根據(jù)腦功能分類量表對心臟驟?；颊叩纳窠?jīng)功能預(yù)后進(jìn)行分類（1-2 級為神經(jīng)功能預(yù)后良好，3-5級為神經(jīng)功能預(yù)后不良）。結(jié)果表明，與臨床現(xiàn)有基于Logistic 回歸的TTM 風(fēng)險(xiǎn)評分相比，人工神經(jīng)網(wǎng)絡(luò)模型對于心臟驟停后缺血性腦損傷患者的神經(jīng)系統(tǒng)預(yù)后有著更精準(zhǔn)的預(yù)測性能（AUC:0.904vs0.839）。該研究可能會(huì)改善院外心臟驟?；颊邚?fù)蘇后缺血性腦損傷患者的神經(jīng)功能預(yù)后。

較傳統(tǒng)臨床評分，基于機(jī)器學(xué)習(xí)構(gòu)建的疾病風(fēng)險(xiǎn)預(yù)測模型可以分析大型復(fù)雜數(shù)據(jù)集中自變量之間的相關(guān)性，并且通過整合術(shù)前、術(shù)中、術(shù)后的靶病變血管影像參數(shù)和心血管危險(xiǎn)因素，優(yōu)化風(fēng)險(xiǎn)預(yù)測模型，提高了對冠心病危險(xiǎn)分層的準(zhǔn)確性和血運(yùn)重建后MACE事件的預(yù)測能力，為早期識(shí)別高風(fēng)險(xiǎn)患者，改善醫(yī)生的臨床決策提供了幫助。

3 人工智能在心血管影像診斷中的應(yīng)用

醫(yī)學(xué)影像是心血管檢查的重要組成部分，在臨床心血管疾病診療中不可缺少。目前，一些心臟指標(biāo)參數(shù)仍依賴于半自動(dòng)軟件的測量，操作比較費(fèi)時(shí)費(fèi)力。其次，一些檢查依賴于醫(yī)生主觀視覺判斷，而主觀判斷缺乏標(biāo)準(zhǔn)化。通過醫(yī)學(xué)影像大數(shù)據(jù)來驅(qū)動(dòng)機(jī)器學(xué)習(xí)模型完成自動(dòng)化分析心臟的結(jié)構(gòu)和功能等任務(wù)[34]，進(jìn)而輔助醫(yī)生快速完成心血管影像學(xué)分析。這里對AI輔助心臟相關(guān)影像學(xué)檢查做簡單介紹。

3.1 人工智能在基于CCTA的血流儲(chǔ)備分?jǐn)?shù)中的應(yīng)用

冠狀動(dòng)脈血流儲(chǔ)備分?jǐn)?shù)（fractional flow reserve，F(xiàn)FR）是診斷冠狀動(dòng)脈血管生理功能的金標(biāo)準(zhǔn)[35]，能特異地反映心外膜下冠狀動(dòng)脈狹窄的功能學(xué)嚴(yán)重程度，并且FFR 指導(dǎo)下的介入治療被證實(shí)能改善患者的預(yù)后[36]。但是由于其相關(guān)成本和有創(chuàng)性，臨床上僅有10%-20%血運(yùn)重建在FFR指導(dǎo)下進(jìn)行。近年來，基于CCTA 圖像通過管腔分割重建冠狀動(dòng)脈樹的三維模型，應(yīng)用流體力學(xué)分析方法實(shí)現(xiàn)FFR 的計(jì)算，成為了新的臨床研究熱點(diǎn)。但是基于三維冠脈模型的FFR運(yùn)算量大，計(jì)算時(shí)間往往長達(dá)幾個(gè)小時(shí)，限制了其在臨床上的應(yīng)用。隨著AI 技術(shù)在醫(yī)學(xué)影像領(lǐng)域中的發(fā)展，通過深度學(xué)習(xí)模型分析冠脈樹解剖結(jié)構(gòu)和血流動(dòng)力學(xué)間的復(fù)雜關(guān)系，可以在幾分鐘內(nèi)迅速獲得冠脈樹每個(gè)節(jié)段的FFR[37]。Kurata[38]等通過回顧性分析74 例患者的91 支血管，評估了CT-FFR 診斷冠脈狹窄的準(zhǔn)確性。結(jié)果表明，在以血管為單位分析時(shí)，CT-FFR 的診斷敏感度和特異度分別為89%和75%，AUC 為0.907。在以患者為單位分析時(shí)，CT-FFR 的診斷敏感度和特異度分別為90%和78%，AUC 為0.91，與侵入性FFR 檢查的相關(guān)系數(shù)為0.786。表明基于深度學(xué)習(xí)的CT-FFR 系統(tǒng)與通過壓力導(dǎo)絲測量的FFR 達(dá)到了較好一致性，并且進(jìn)行CT-FFR 檢查的患者平均分析時(shí)間為16.4±7.5 min，實(shí)現(xiàn)了對冠脈狹窄功能學(xué)的實(shí)時(shí)評價(jià)。據(jù)Kimura[39]的研究，CT-FFR 較原本基于ICA指導(dǎo)的治療，可以降低32%的治療成本。綜上，CT-FFR結(jié)合了CCTA 與FFR 各自的優(yōu)勢,可以從解剖和功能兩方面評估冠脈狹窄，避免了對患者進(jìn)行侵入性冠狀動(dòng)脈造影以及腺苷的不良反應(yīng)，減輕了患者負(fù)擔(dān)[40]。

3.2 人工智能在心電圖的應(yīng)用

ECG 具有無創(chuàng)、價(jià)格低廉等優(yōu)點(diǎn)，是臨床上評價(jià)心臟功能最基本的工具之一。從識(shí)別各類型心律失常到急性冠脈綜合征的診斷，ECG 都是重要的檢查方式。目前，幾種ECG 自動(dòng)分類的算法高度依賴于訓(xùn)練的數(shù)據(jù)集，無法處理較大的類內(nèi)差異，在處理新的ECG 時(shí)表現(xiàn)不佳[41]。隨著深度學(xué)習(xí)算法在ECG 中的應(yīng)用，減少了ECG 圖像特征提取過程中計(jì)算的復(fù)雜度，使機(jī)器學(xué)習(xí)模型輔助ECG 解釋的準(zhǔn)確性得到了實(shí)質(zhì)性提升[42]。Attia[43]等開發(fā)了1種深度學(xué)習(xí)模型，用于識(shí)別竇性心律期間房顫患者。由于房顫通常無癥狀，現(xiàn)有的篩選方法需要對患者進(jìn)行連續(xù)監(jiān)測，因此檢測不足且低效。該研究利用CNN 算法探測正常竇性心律時(shí)心房顫動(dòng)的ECG 特征，來鑒別心房顫動(dòng)患者。模型AUC 為0.87，表明模型對心房顫動(dòng)患者有良好的分辨力。在另1 項(xiàng)研究中，Huanun[44]等利用深度學(xué)習(xí)算法學(xué)習(xí)91232 份ECG 組成的訓(xùn)練集數(shù)據(jù)，開發(fā)了可以檢測12 種心律失常的分類模型。使用測試數(shù)據(jù)集驗(yàn)證時(shí)，模型的AUC為0.97，敏感性超過了6位心臟病專家的平均值（0.83vs0.78）。這些研究表明，端到端的深度學(xué)習(xí)算法訓(xùn)練的心律失常分類模型，其診斷性能與心臟病專家有著較強(qiáng)的一致性，降低了計(jì)算機(jī)自動(dòng)解釋ECG的誤診率。目前，除了將AI技術(shù)應(yīng)用在自動(dòng)診斷ECG，一些可穿戴設(shè)備也用于心臟監(jiān)測和ECG 記錄，如一些手腕佩戴的自動(dòng)節(jié)律分析設(shè)備通過獲取單導(dǎo)聯(lián)心電信號(hào)，捕捉實(shí)時(shí)心電數(shù)據(jù)，將數(shù)據(jù)反饋給用戶和家人手機(jī)，對心臟電生理活動(dòng)進(jìn)行檢測[45]。

3.3 人工智能在超聲心動(dòng)圖中的應(yīng)用

超聲心動(dòng)圖檢查臨床應(yīng)用廣泛，可以幫助臨床醫(yī)生快速準(zhǔn)確評估心臟結(jié)構(gòu)和功能。目前，超聲心動(dòng)圖的影像解讀主要在操作者目測下完成，主觀性較強(qiáng)。隨著深度學(xué)習(xí)算法在計(jì)算機(jī)視覺領(lǐng)域中的應(yīng)用，實(shí)現(xiàn)了對超聲心動(dòng)圖影像的視點(diǎn)識(shí)別、圖像分割、結(jié)構(gòu)和功能的量化。有研究基于監(jiān)督學(xué)習(xí)算法實(shí)現(xiàn)了心臟重構(gòu)和功能障礙早期階段的檢測，進(jìn)而對心臟疾病早期干預(yù)[46]。Zhang[47]等基于 CNN 算法學(xué)習(xí)了 14035 張超聲心動(dòng)圖影像，通過對心臟結(jié)構(gòu)的自動(dòng)識(shí)別與分割，實(shí)現(xiàn)心腔結(jié)構(gòu)的量化以及計(jì)算射血分?jǐn)?shù)。與手動(dòng)分割超聲心動(dòng)圖的測量結(jié)果相比，前者的精準(zhǔn)度優(yōu)于傳統(tǒng)的手工裸眼標(biāo)記測量，且效率更高。除此之外，該研究團(tuán)隊(duì)通過深度學(xué)習(xí)模型學(xué)習(xí)8666 張超聲心動(dòng)圖影像，完成自動(dòng)檢測肥大性心肌病，心臟淀粉樣變性和肺動(dòng)脈高壓三種疾病。不僅實(shí)現(xiàn)了對超聲心動(dòng)圖的自動(dòng)解釋，還實(shí)現(xiàn)了對疾病的自動(dòng)診斷，提高了超聲科醫(yī)生的工作效率，并且有助于超聲心動(dòng)圖結(jié)果的可重復(fù)性和標(biāo)準(zhǔn)化[48]。

3.4 人工智能在單光子發(fā)射計(jì)算機(jī)斷層成像中的應(yīng)用

單光子發(fā)射CT（single photon emission computed tomography，SPECT）利用心肌血流灌注顯像劑的示蹤特性，觀察心肌血流灌注和存活情況，對早期冠心病的診斷敏感性較高。在SPECT 心肌灌注成像中，對左心室和二尖瓣平面分割仍然受限于操作者的視覺評估和手動(dòng)調(diào)整，而瓣膜平面定位的精確與否將影響心肌灌注的量化[49]。Betancur[50]等利用支持向量機(jī)模型通過對瓣膜平面精確分割，提高了SPECT 心肌血流灌注自動(dòng)分析的準(zhǔn)確性。該團(tuán)隊(duì)在另一項(xiàng)研究中利用LogitBoost 算法回顧性分析了2619 名冠心病患者SPECT 圖像特征和臨床數(shù)據(jù)（年齡，性別，高血壓，血脂異常，吸煙，糖尿病和冠心病家族史等），預(yù)測冠心病患者3年發(fā)生MACE 事件的風(fēng)險(xiǎn)。結(jié)果顯示機(jī)器學(xué)習(xí)算法用于MACE 事件預(yù)測的brier 分?jǐn)?shù)為0.07，表明基于機(jī)器學(xué)習(xí)算法的MACE 事件風(fēng)險(xiǎn)預(yù)測模型與觀察到的患者3年間發(fā)生MACE事件高度符合[51]。

目前，AI在心血管影像領(lǐng)域的應(yīng)用均以自動(dòng)化影像分析為核心。與手動(dòng)測量心臟影像相關(guān)參數(shù)相比，AI減輕了影像科醫(yī)生手動(dòng)分割圖像的工作量，提升了診斷的準(zhǔn)確性和效能。與此同時(shí)，機(jī)器學(xué)習(xí)通過將心血管影像學(xué)資料轉(zhuǎn)化為可挖掘的數(shù)據(jù)，篩選出關(guān)鍵的影像特征，以構(gòu)建疾病的診斷和預(yù)后風(fēng)險(xiǎn)評估模型。

4 問題與展望

目前，AI 技術(shù)在心血管病的醫(yī)學(xué)影像分析，疾病風(fēng)險(xiǎn)預(yù)測和患者健康管理過程中取得了良好的表現(xiàn)。但是現(xiàn)階段將AI 技術(shù)廣泛轉(zhuǎn)化到臨床實(shí)踐的工作中仍存在一些問題：影像自動(dòng)分割模型和疾病危險(xiǎn)評估模型的精準(zhǔn)與否，與用來訓(xùn)練模型的數(shù)據(jù)質(zhì)量密切相關(guān)。低質(zhì)量的影像數(shù)據(jù)和數(shù)據(jù)標(biāo)注不恰當(dāng)會(huì)導(dǎo)致錯(cuò)誤的分類和預(yù)測結(jié)果。雖然我國有豐富的臨床電子醫(yī)療數(shù)據(jù)，但數(shù)據(jù)的標(biāo)準(zhǔn)化有待進(jìn)一步提高。算法本身所存在的問題，例如深度學(xué)習(xí)網(wǎng)絡(luò)在樣本量較小的數(shù)據(jù)集上訓(xùn)練時(shí)，會(huì)有過擬合風(fēng)險(xiǎn)。過擬合則會(huì)導(dǎo)致其他數(shù)據(jù)集部署到該模型時(shí)通用性較差[52]。同時(shí)，目前對于一些算法內(nèi)在邏輯認(rèn)識(shí)還不夠清楚，無法說服大多數(shù)心臟病學(xué)從業(yè)人員在臨床工作中使用“黑匣子”診斷。

未來，隨著機(jī)器學(xué)習(xí)算法的優(yōu)化以及醫(yī)療數(shù)據(jù)標(biāo)準(zhǔn)化程度的提升，通過構(gòu)建可靠的冠心病風(fēng)險(xiǎn)分層和結(jié)局預(yù)測模型，幫助醫(yī)生篩查出高風(fēng)險(xiǎn)患者，從而制定個(gè)性化治療和健康管理方案，降低心血管病的發(fā)病率，以緩解醫(yī)療衛(wèi)生系統(tǒng)的負(fù)擔(dān)。與此同時(shí)，傳統(tǒng)基于患者自我健康管理往往效果不顯著，通過算法模型進(jìn)行結(jié)局預(yù)測分析，使患者更了解自己的健康狀況，以增強(qiáng)患者本人的健康管理意識(shí)。綜上，為了實(shí)現(xiàn)這種新技術(shù)的臨床應(yīng)用，后續(xù)仍需要優(yōu)化機(jī)器學(xué)習(xí)算法以及提高醫(yī)療數(shù)據(jù)的標(biāo)準(zhǔn)化，以期我國AI技術(shù)在醫(yī)療領(lǐng)域的發(fā)展有望進(jìn)一步提速。