郭邦俊 張龍江 盧光明*

《中國心血管健康與疾病報告2020 概要》報告指出，中國心血管?。╟ardiovascular diseases, CVD）現(xiàn)患病人數(shù)約3.3 億，其中冠心?。╟oronary artery disease,CAD）病人約 1 139 萬[1]。心血管 CT 是一種無創(chuàng)檢測CVD 的方法，能夠為疾病診斷、療效監(jiān)測以及預(yù)后評估等方面提供影像學(xué)證據(jù)。然而，在心血管疾病診療過程中會產(chǎn)生海量數(shù)據(jù)，包括病史記錄以及實驗室檢查、病理學(xué)、基因檢測的結(jié)果，影像學(xué)檢查的影像數(shù)據(jù)及報告等。由于臨床醫(yī)生的經(jīng)驗水平及時間所限，對病人的這些信息很難分析透徹，因此誤診的情況隨時有發(fā)生的可能[2]。

目前適用的診斷或者預(yù)測模型通常建立于某一人群，然而隨著精準(zhǔn)醫(yī)學(xué)時代的到來，需要對每例病人的情況做出推斷，而不能滿足于總體上正確[3]。與常用的統(tǒng)計學(xué)模型不同的是，人工智能（artificial intelligence，AI）模型可以利用不同的算法從海量的數(shù)據(jù)中完成學(xué)習(xí)，并且不斷優(yōu)化自身的性能，突破了傳統(tǒng)統(tǒng)計學(xué)模型的局限。最近，有多篇文獻(xiàn)[4]報道AI 運用于疾病的監(jiān)測、診斷、分類乃至結(jié)局預(yù)測的研究成果。本文通過復(fù)習(xí)文獻(xiàn)對心血管CT影像學(xué)中常用的AI 術(shù)語予以介紹，并總結(jié)AI 相關(guān)技術(shù)在該領(lǐng)域研究與應(yīng)用，最后討論AI 在心血管影像中的應(yīng)用局限和對未來的展望。

1 與心血管CT 影像學(xué)相關(guān)的AI 術(shù)語及其應(yīng)用

1.1 AI AI 是一個定義廣泛的術(shù)語。當(dāng)前許多研究中使用的深度學(xué)習(xí)（deep learning,DL）、機器學(xué)習(xí)（machine learning,ML）等方法都屬于AI 技術(shù)。根據(jù)是否有手動標(biāo)注的標(biāo)簽（例如疾病的活檢結(jié)果）輸入模型內(nèi)，ML 方法可以分為無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)[5]。無監(jiān)督學(xué)習(xí)不需手動標(biāo)注，但模型得出結(jié)果可能缺乏直觀。相較于無監(jiān)督學(xué)習(xí)，監(jiān)督學(xué)習(xí)需要專業(yè)人員根據(jù)已知結(jié)果對數(shù)據(jù)進(jìn)行標(biāo)注，根據(jù)已有數(shù)據(jù)集訓(xùn)練優(yōu)化模型，但需消耗大量的時間與精力。

1.2 ML ML 是AI 的一個分支，常見的ML 模型包括回歸模型、隨機森林（random forests,RF）和支持向量機（support vector machines,SVM）模型等。在心血管領(lǐng)域，回歸模型被廣泛用于疾病的分類或確定心血管病相關(guān)的風(fēng)險因素。然而，心血管疾病的診斷或預(yù)后常涉及許多因素，這可能導(dǎo)致過度擬合。目前已經(jīng)建立了正則化回歸模型，通過縮小系數(shù)來避免從復(fù)雜的模型中學(xué)習(xí)，避免邏輯回歸的過度擬合問題。RF 本質(zhì)是一系列決策樹的組合。在臨床研究中，建立一個完美的決策樹是比較困難的，因為一些與結(jié)果相關(guān)的因素尚不知曉，故不能輸入模型進(jìn)行訓(xùn)練。因此，RF 模型會利用許多的決策樹對結(jié)果進(jìn)行推斷。盡管給定的決策樹不可能完全準(zhǔn)確，但大多數(shù)的決策樹都會圍繞正確的結(jié)果進(jìn)行判斷。另一方面，RF 將輸入的數(shù)據(jù)置于更高維度的空間中，使區(qū)分差異更加簡單化。作為監(jiān)督學(xué)習(xí)的方法，研究人員可以根據(jù)經(jīng)驗對圖像或者其他類型的數(shù)據(jù)進(jìn)行標(biāo)記，然后建立模型，進(jìn)而來預(yù)測一組新的數(shù)據(jù)集的結(jié)果。若沒有明確的結(jié)果標(biāo)簽，可以采用無監(jiān)督學(xué)習(xí)（如聚類分析）來尋找數(shù)據(jù)內(nèi)部本身的聯(lián)系。

1.3 DL DL 是ML 的一種，源自于人工神經(jīng)網(wǎng)絡(luò)。與人類大腦神經(jīng)元的構(gòu)成類似，深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNN）由許多神經(jīng)元或節(jié)點組成，節(jié)點間根據(jù)不同的權(quán)重在多層網(wǎng)絡(luò)之間互相連接。在不同的卷積層之間，模型以不同方式來處理輸入的特征，探究節(jié)點間的內(nèi)在規(guī)律，直到輸出層輸出最后的判斷結(jié)果[5]。DL 模型可根據(jù)反向傳播誤差的反饋，自動改變每個節(jié)點的權(quán)重，來實現(xiàn)輸出結(jié)果，在一定程度上模型有了更多“自主權(quán)”，內(nèi)部的特征以及想要得到的輸出結(jié)果留給模型本身來處理，所以內(nèi)部學(xué)習(xí)過程是一種“黑匣子”。目前，文獻(xiàn)中大多使用的DL 方法都屬于監(jiān)督學(xué)習(xí)（有標(biāo)簽的），無監(jiān)督的模型較少，且主要用于提高影像質(zhì)量或生成影像?？偟膩碚f，強大的運算能力與豐富的高質(zhì)量數(shù)據(jù)是構(gòu)建成功AI 模型的基石。

2 AI 在心血管CT 成像中的應(yīng)用

2.1 優(yōu)化冠狀動脈CTA（CCTA）影像質(zhì)量 心血管成像質(zhì)量與病人體質(zhì)量指數(shù)（BMI）相關(guān)。在保證客觀影像質(zhì)量不變的條件下，隨著BMI 增加，輻射劑量也會逐漸增加。降低輻射劑量的措施包括優(yōu)化管電壓（kV）、管電流（mA）與改進(jìn)重建算法等。幾乎所有的CT 生產(chǎn)商都提供迭代重建算法來降低CCTA過程中的偽影與噪聲[6]。隨著AI 算法的不斷優(yōu)化，在減低輻射的同時也能保證影像質(zhì)量，而且能大幅縮短影像重建等待時間，現(xiàn)已達(dá)到幾乎可以實時重建的水平。Green 等[7]研究發(fā)現(xiàn)，使用全卷積神經(jīng)網(wǎng)絡(luò)可以有效降低低劑量采集影像中的噪聲。Wolterink 等[8]提出將卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）與對抗CNN 結(jié)合，從低劑量心臟CT 上模擬出類似常規(guī)劑量所得到的影像，以此來降低輻射劑量；此實驗共納入28 例同時經(jīng)過20%標(biāo)準(zhǔn)劑量及標(biāo)準(zhǔn)劑量的2 次心臟CT 掃描病人，結(jié)果表明上述方法可以將低劑量心臟CT 影像模擬成類似標(biāo)準(zhǔn)劑量CT 影像。

目前已有多種DL 技術(shù)可用于改善影像質(zhì)量[9-12]，有的還可用于減少運動偽影，由此可知AI 技術(shù)具有在心血管影像領(lǐng)域運用的潛力。

2.2 心血管組織自動分割 心血管病在發(fā)病前就可能會有心臟結(jié)構(gòu)或者功能的改變。準(zhǔn)確識別心臟結(jié)構(gòu)及功能變化有助于早期診斷和掌握疾病的進(jìn)展。但是，醫(yī)師在利用一些半自動軟件勾畫組織結(jié)構(gòu)輪廓時，通常會存在一些主觀差異，并且手動勾畫耗時、費力。目前有許多AI 技術(shù)已用于心血管組織的識別與自動分割，并且取得了不錯的效果。例如，Baskaran 等[13]設(shè)計了一種端對端的 DL 模型，可自動分割心腔容積和左心室的心肌質(zhì)量，結(jié)果表明模型分割結(jié)果與醫(yī)師手動勾畫輪廓有很好的一致性，且僅需要13 s 左右就可以自動完成分割，極大減輕了工作負(fù)荷。AI 除了能夠分割心腔與心肌，還在分割心外膜脂肪方面也取得了較好的效果[14-15]。Commandeur 等[16]利用多中心包含850 例病人冠狀動脈鈣化積分的數(shù)據(jù)集，采用DL 方法分割心外膜脂肪組織，結(jié)果表明DL 方法可以自動且快速準(zhǔn)確地分割心外膜脂肪，其結(jié)果與有經(jīng)驗的閱片者結(jié)論相似。相信未來許多需要醫(yī)師手動操作的工作可以由AI 替代完成。

2.3 計算冠狀動脈鈣化積分（coronary artery calcium scoring，CACS） 冠狀動脈鈣化是 CAD 的一個標(biāo)志，量化CACS 有助于預(yù)測CAD 病人未來心臟不良事件[17]。臨床上，CACS 通常由放射科醫(yī)生手動測量。由于醫(yī)生主觀經(jīng)驗的差異，CACS 測量存在觀察者間的差異，且測量工作也會消耗大量時間。目前AI 技術(shù)可以克服上述缺點，快速且精確計算CACS。例如，Isgum 等[18]提出在非門控低劑量胸部CT 平掃影像上，首先利用multi-atlas 技術(shù)構(gòu)建冠狀動脈鈣化概率圖，然后使用模式識別系統(tǒng)識別鈣化的特征，最后自動計算鈣化積分，該方法檢測敏感度為79.2%。除了上述基于傳統(tǒng)的ML 算法外，近年來一些基于DL 的算法也被用于自動計算CACS，并且結(jié)果與醫(yī)師手動測量的結(jié)果有著較好的一致性。例如，Martin 等[19]評估了一種基于 CNN 的模型，用于平掃心臟CT 影像上自動進(jìn)行冠狀動脈鈣化評分，結(jié)果表明該模型與參考標(biāo)準(zhǔn)之間有著很高的一致性。另有研究者使用DL 方法在自動計算鈣化積分方面也取得了良好的效果[20-23]。盡管上述方法在單中心數(shù)據(jù)集上表現(xiàn)良好，但針對不同CT 機型中的鈣化檢測性能尚未得到充分評估。最近，van Velzen 等[24]使用2 個連續(xù)的CNN 自動計算各種CT機型的CACS，同時以手動計算得到的CACS 作為參考標(biāo)準(zhǔn)，DL 模型的組內(nèi)相關(guān)系數(shù)為0.79~0.97，表明DL 方法在計算不同CT 機型的CACS 方面有穩(wěn)定表現(xiàn)。這些用于計算CACS 的自動化方法可顯著減少醫(yī)師的時間成本并減少臨床醫(yī)生之間的主觀差異。

2.4 冠狀動脈狹窄的自動化識別與檢測 CCTA可以直觀顯示冠狀動脈狹窄程度與斑塊特征，已被推薦作為穩(wěn)定性胸痛病人的一線檢查方法。但是，由于鈣化性病變的部分容積效應(yīng)，會造成狹窄程度的高估。此外，閱片時間及不同醫(yī)師間主觀差異也是目前需要解決的問題。如今，AI 不但可以快速識別冠狀動脈狹窄，有助于醫(yī)生對冠狀動脈狹窄進(jìn)行評估，同時也解決了閱片時間和主觀差異的難題。近期Liu 等[25]評估了一種基于DL 的冠狀動脈后處理及狹窄的自動識別模型，結(jié)果表明，對于經(jīng)驗不足的放射科醫(yī)生，該DL 模型可以顯著提高其識別冠狀動脈狹窄的準(zhǔn)確性，并大幅縮短影像后處理及醫(yī)師閱片的時間。Arnoldi 等[26]利用一種計算機輔助算法來檢測CCTA 上的冠狀動脈狹窄，結(jié)果顯示以有創(chuàng)冠狀動脈造影（invasive coronary angiography,ICA）為參考標(biāo)準(zhǔn)，該算法識別狹窄程度＞50%的準(zhǔn)確度為74%。隨后，有研究[27-28]陸續(xù)開發(fā)了自動檢測冠狀動脈狹窄的算法，但特異性相對較低。Kang等[29]利用ML 方法同時檢測阻塞性病變（≥50%）與非阻塞性病變（25%~50%），以3 位醫(yī)生評估的結(jié)果作為參考標(biāo)準(zhǔn)，該算法的曲線下面積（AUC）為0.94。目前，國內(nèi)已有獲得國家藥品監(jiān)督管理局批準(zhǔn)的血管狹窄輔助診斷軟件，表明AI 可在輔助診斷中發(fā)揮作用，相信AI 將會在該領(lǐng)域有更多的突破。

2.5 基于AI 的CT 血流儲備分?jǐn)?shù)（CT- derived fractional flow reserve，F(xiàn)FRCT）技術(shù) 冠狀動脈血流儲備分?jǐn)?shù)（fractional flow reserve,FFR）指的是冠狀動脈存在狹窄時最大心肌血流量與其理論正常最大血流量之比，被認(rèn)為是評估心肌缺血的“金標(biāo)準(zhǔn)”。與ICA 相比，CCTA 在診斷冠狀動脈狹窄等方面具有較高的敏感性與陰性預(yù)測值，但CCTA 提供解剖學(xué)特征，缺乏血流動力學(xué)信息[30]?；贑CTA 的FFRCT技術(shù)可以一站式提供狹窄的解剖學(xué)及功能學(xué)信息。該技術(shù)運用高級的計算流體力學(xué)（computational fluid dynamics，CFD）方法通過模擬計算最大充血狀態(tài)下的壓力值。但是，基于CFD 的FFRCT計算模型與基于AI 的FFRCT模型相比，運算量大且計算時間較長，數(shù)據(jù)需要遠(yuǎn)程傳輸?shù)街行膶嶒炇彝瓿?。基于AI 的FFRCT模型通過對12 000 個具有不同狹窄程度的冠狀動脈樹進(jìn)行學(xué)習(xí)，進(jìn)而得到不同形態(tài)的樣本。在生成每個冠狀動脈樹之后，隨機將狹窄的冠狀動脈放置在不同的血管分支之間。隨后，降維的CFD 模型被用來評估每根冠狀動脈的流量和壓力分布，訓(xùn)練ML 模型了解狹窄的特征，最后使用CFD模型模擬計算得到任意處冠狀動脈的FFR 值。一項多中心注冊研究[31]評估了基于AI 的FFRCT模型和基于CFD 的FFRCT的診斷效能，結(jié)果表明這2 種方法的診斷水平類似；以有創(chuàng)FFR 為參考標(biāo)準(zhǔn)，兩者AUC 值均為0.84。后續(xù)的實驗研究[32]表明了基于AI的FFRCT模型在診斷病變特異性心肌缺血方面的價值。此外，也有研究[33]顯示基于AI 的FFRCT對于心肌橋病人有預(yù)測價值。FFRCT可以改變一部分基于傳統(tǒng)的依據(jù)狹窄程度所做出的臨床決策，提高ICA 的有效率，但其在臨床中的潛在價值需要進(jìn)一步探討[34]。

2.6 心肌缺血的識別 人眼無法直接從影像上評估心肌是否有缺血性改變，而AI 可以通過挖掘更多隱藏在影像里的信息來幫助醫(yī)生改變這一現(xiàn)狀。Hae 等[35]探究了使用ML 算法在靜息態(tài)CT 心肌灌注影像上能否改善僅基于狹窄程度所判定的心肌缺血的效能，研究納入了252 例行靜息態(tài)CT 心肌灌注檢查與有創(chuàng)FFR 測量的病人，結(jié)果表明，與肉眼評估CCTA 上的狹窄程度相比，ML 模型可以改善傳統(tǒng)的依據(jù)狹窄程度確定的心肌缺血診斷，凈分類改善指數(shù)為0.52。Xiong 等[36]使用AdaBoost 分類器開發(fā)了一個新框架，從靜息態(tài)CT 心肌灌注影像中獲取3 個心肌特征（標(biāo)準(zhǔn)化心肌灌注密度、透壁灌注比及室壁厚度）對于預(yù)測阻塞CAD 的敏感度、特異度及準(zhǔn)確度分別為0.79、0.64、0.70。AI 除了可在靜息態(tài)CCTA 影像上預(yù)測心肌缺血外，在核醫(yī)學(xué)成像上也顯示出與醫(yī)生相當(dāng)?shù)乃絒37]。由此可見，盡管醫(yī)師肉眼識別心肌缺血改變的能力有限，但AI技術(shù)幫助其對心肌缺血進(jìn)行預(yù)測，彌補傳統(tǒng)方法學(xué)上的不足。

2.7 心血管事件的預(yù)測 現(xiàn)階段有多種傳統(tǒng)模型用于預(yù)測CAD 病人的心血管不良事件，但這些模型通常僅納入了有限的臨床與影像變量，對于變量之間的關(guān)聯(lián)及其他未能納入模型的變量未能充分評估。AI 可以彌補傳統(tǒng)統(tǒng)計模型的缺陷，綜合臨床、影像、病理、基因、影像組學(xué)等參數(shù)，構(gòu)建更加精準(zhǔn)的預(yù)測模型。例如，Ambale-Venkatesh 等[38]使用ML方法（隨機生存森林）對MESA 研究中的6 814 例無心血管病的參與者構(gòu)建心血管病的預(yù)測模型，結(jié)果表明，在預(yù)測心血管不良事件方面，ML 算法優(yōu)于傳統(tǒng)的風(fēng)險預(yù)測模型。Motwani 等[39]利用ML 模型納入了CCTA 影像學(xué)參數(shù)及臨床參數(shù)預(yù)測可疑CAD 病人的5 年全因死亡率，結(jié)果表明，與單獨使用Framingham 風(fēng)險評分或CCTA 嚴(yán)重程度評分相比，ML 模型預(yù)測全因死亡有更好的表現(xiàn)。van Rosendael等[40]使用基于CCTA 的狹窄程度與斑塊成分等參數(shù)，利用ML 方法可以更好地預(yù)測主要心臟不良事件?？傊?，相比傳統(tǒng)統(tǒng)計學(xué)所建立的預(yù)測模型，ML算法已表現(xiàn)出更好地預(yù)測病人未來事件的潛能。

3 AI 應(yīng)用的局限

由于心血管病病人數(shù)量龐大，AI 在心血管影像應(yīng)用方面具有重要的潛在價值。AI 模型的成功構(gòu)建需要高質(zhì)量的數(shù)據(jù)及強大的運算力。缺乏上述2 個要素可能會使AI 在實際臨床應(yīng)用中出現(xiàn)下列問題：①AI 模型的“黑匣子”問題。這是影響臨床醫(yī)師解釋結(jié)果的一大難題。當(dāng)臨床醫(yī)生因不了解模型內(nèi)部結(jié)構(gòu)而做出有關(guān)病人生命的決策時，可能會造成一系列倫理問題。②樣本量的問題。在樣本量優(yōu)先的情況下，AI 識別罕見病的能力可能不足。③過度擬合問題。雖然模型針對納入研究的數(shù)據(jù)集有良好表現(xiàn)，但由于過度擬合，在用于不同醫(yī)院或不同設(shè)備以及不同掃描參數(shù)獲取的影像時，可能需要進(jìn)一步修改模型以適應(yīng)新的應(yīng)用環(huán)境。④AI 的魯棒性問題。當(dāng)新的AI 模型建立后，需要嚴(yán)謹(jǐn)?shù)膶嶒灒ɡ鐑?nèi)外部評估、多中心前瞻性臨床實驗等）來評估其在真實世界中的表現(xiàn)，以避免發(fā)生嚴(yán)重不良事件。

4 展望

AI 將會進(jìn)一步促進(jìn)精準(zhǔn)醫(yī)學(xué)的發(fā)展。未來AI可將影像數(shù)據(jù)與病人的各類數(shù)據(jù)相結(jié)合，構(gòu)建更精準(zhǔn)的診斷或預(yù)測模型，以改善病人的預(yù)后。AI 相關(guān)的方法也應(yīng)該在臨床中進(jìn)行全面測試，以驗證其性能，而不是僅限于開發(fā)階段的測試。迄今為止，包括影像、血液樣本、電子健康記錄在內(nèi)的數(shù)據(jù)已經(jīng)廣泛可用，但是高質(zhì)量有精確標(biāo)記的數(shù)據(jù)卻很難獲得。與監(jiān)督學(xué)習(xí)方法相反，無監(jiān)督學(xué)習(xí)方法很少用于心臟影像領(lǐng)域。盡管AI 已廣泛應(yīng)用于醫(yī)療領(lǐng)域并有創(chuàng)新突破，但仍面臨著發(fā)展障礙。例如，法律法規(guī)對病人隱私數(shù)據(jù)的保護(hù)限制了數(shù)據(jù)的自由交換，這可能會限制AI 在全球范圍內(nèi)的應(yīng)用；各機構(gòu)之間缺乏標(biāo)準(zhǔn)化的醫(yī)療數(shù)據(jù)格式，可能會限制數(shù)據(jù)的有效利用。因此，未來需要一種安全、隱私保護(hù)的AI相關(guān)技術(shù)。更重要的是，在臨床使用過程中需要關(guān)注AI 實施的質(zhì)量控制。應(yīng)用AI 相關(guān)軟件時可能會出現(xiàn)誤診或漏診，以及系統(tǒng)錯誤和不可重復(fù)的結(jié)果。因此，臨床醫(yī)生不能完全依賴AI 得到的結(jié)果，需要結(jié)合病人的具體情況和自身的經(jīng)驗來考慮。實現(xiàn)AI 在心血管影像的自動化應(yīng)用尚需要臨床醫(yī)生、病人及家屬、放射科醫(yī)生與計算機專家的共同努力。AI 是輔助醫(yī)生的診斷，而不是替代。

隨著AI 技術(shù)的發(fā)展，臨床醫(yī)生可以更好地利用這些數(shù)據(jù)，從而提高疾病診斷、風(fēng)險分層和預(yù)后預(yù)測的準(zhǔn)確性，以實現(xiàn)精準(zhǔn)醫(yī)療這一目標(biāo)。但是，AI技術(shù)并非沒有局限，因此醫(yī)生和科學(xué)家應(yīng)該共同努力以最大限度地發(fā)揮其有效性。