劉亞男，趙瑞峰

作者單位：1.山西醫(yī)科大學(xué)，太原 030001；2.山西醫(yī)科大學(xué)附屬晉城大醫(yī)院磁共振室，晉城 048006

人工智能(artificial intelligence，AI)描述了一種計(jì)算程序，它可以執(zhí)行具有人類智能特征的任務(wù)，在醫(yī)學(xué)方面的應(yīng)用主要包括智能診療、影像識別、藥物研發(fā)及醫(yī)療機(jī)器人方面[1]。數(shù)據(jù)的增多、計(jì)算能力的提高促進(jìn)了人工智能在醫(yī)療領(lǐng)域的應(yīng)用和開發(fā)[2]。2020 年，人工智能的研究呈爆發(fā)性增長，應(yīng)用于心血管醫(yī)學(xué)影像的各個(gè)領(lǐng)域，包括心臟彩超、心臟計(jì)算機(jī)斷層成像(computed tomography，CT)，心臟磁共振成像(magnetic resonance imaging，MRI)及心臟核素顯像等[3]。人工智能能夠輔助臨床醫(yī)生決策，提升自動(dòng)化效率，簡化工作流程及提高現(xiàn)有儀器的診斷準(zhǔn)確性。筆者就人工智能在心血管影像診斷方面的研究現(xiàn)狀做一綜述。

隨著社會(huì)生產(chǎn)力的提高，心血管疾病已成為世界上死亡率最高的疾病，而在中國，心血管疾病患者也越來越多，大量的數(shù)據(jù)促進(jìn)了人工智能在心血管疾病診斷中的應(yīng)用。人工智能可以大大地簡化診療的工作流程，提升醫(yī)生診斷的速度、效率和準(zhǔn)確性。

1 人工智能概述

人工智能的概念誕生于1956 年，是計(jì)算機(jī)科學(xué)的一個(gè)分支，通俗的說，人工智能是指機(jī)器模擬人的意識和思維，它具有通過學(xué)習(xí)輸入的數(shù)據(jù)來實(shí)現(xiàn)特定的目的和任務(wù)的能力。人工智能的核心要素是：數(shù)據(jù)、算法及計(jì)算力。數(shù)據(jù)是實(shí)現(xiàn)人工智能的基礎(chǔ)，機(jī)器學(xué)習(xí)能夠通過對數(shù)據(jù)的積累做出更加準(zhǔn)確的決策，其會(huì)采用多樣化的建模方式(算法)去處理不同的數(shù)據(jù)。人工智能算法基于這種不同的建模方式，又能分為神經(jīng)網(wǎng)絡(luò)算法與傳統(tǒng)機(jī)器學(xué)習(xí)，而傳統(tǒng)機(jī)器學(xué)習(xí)又被細(xì)分為強(qiáng)化學(xué)習(xí)、非監(jiān)督式學(xué)習(xí)、半監(jiān)督式學(xué)習(xí)、監(jiān)督式學(xué)習(xí)。算法是一組機(jī)械計(jì)算機(jī)可以執(zhí)行的明確指令，算法的有效性決定了人工智能的智能程度。人工智能數(shù)據(jù)越多、算法越復(fù)雜，需要的計(jì)算力就越大，所以傳統(tǒng)人工智能受制于計(jì)算能力，而芯片是運(yùn)算能力的核心，運(yùn)算能力提升依賴于科學(xué)技術(shù)的發(fā)展，同時(shí)也是人工智能發(fā)展的前提保障。

2 人工智能在心血管影像中的應(yīng)用

2.1 心臟超聲成像

人工智能在超聲心動(dòng)圖中的應(yīng)用還處于相對早期的階段，目前應(yīng)用于超聲圖像采集、識別、心功能的自動(dòng)量化、疾病的自動(dòng)評估等。

超聲圖像采集是一項(xiàng)專業(yè)性很強(qiáng)的技術(shù)，但有研究報(bào)道人工智能可以指導(dǎo)心臟超聲波圖像的采集，只要在系統(tǒng)里輸入患者身高、體質(zhì)量和性別等信息，人工智能就能引導(dǎo)操作者采集最佳圖像，該研究結(jié)顯示通過人工智能獲得高質(zhì)量的超聲圖像的概率在90%以上，也為其他器官的圖像采集提供了新思路[4]。準(zhǔn)確的圖像自動(dòng)識別和分類是診斷的基礎(chǔ)，Khamis等[5]利用多階段分類算法識別心尖兩腔、心尖四腔和心尖長軸圖像，其準(zhǔn)確率分別為97%、91%和97%，平均識別率為95%。該算法中的時(shí)空特征提取技術(shù)可以獲得更高的識別精度，優(yōu)于傳統(tǒng)的空間處理方法。另有研究表明深度金字塔局部注意神經(jīng)網(wǎng)絡(luò)分割方法性能更好[6]，他提出的金字塔局部注意模塊和標(biāo)簽一致性學(xué)習(xí)機(jī)制解決了獲取上下文特征難和進(jìn)行單個(gè)像素分類預(yù)測時(shí)標(biāo)簽不一致的問題。

Genovese 等[7]開發(fā)了基于機(jī)器學(xué)習(xí)的全自動(dòng)三維量化右心室大小和功能的軟件，但研究顯示三分之二患者還需進(jìn)行心內(nèi)膜輪廓編輯才能正確診斷，這種方法為快速定量右心室體積提供了一種有前景的解決方案，但心內(nèi)膜邊界自動(dòng)識別的問題還有待優(yōu)化。此外還有算法快速測量左心房和左心室容積，準(zhǔn)確分析射血、充盈參數(shù)[8]。目前用來評價(jià)超聲心動(dòng)圖圖像質(zhì)量的人工智能工具軟件提示心內(nèi)膜邊界輪廓指數(shù)影響心尖四腔視圖的分類可信度[9]。2020 年人工智能在超聲方面有一重大進(jìn)展，Ouyang 等[10]通過結(jié)合神經(jīng)網(wǎng)絡(luò)中時(shí)間和空間信息的特定回聲網(wǎng)絡(luò)-動(dòng)態(tài)算法來準(zhǔn)確分割左心室、估計(jì)射血分?jǐn)?shù)和識別心肌病。該算法不再拘泥于靜止圖像的分割而是基于視頻分割，并且診斷準(zhǔn)確性高，可重復(fù)性好，為未來實(shí)現(xiàn)實(shí)時(shí)心血管疾病精確診斷提供了有效支撐。

醫(yī)生非常依賴簡單易行的超聲心動(dòng)圖來指導(dǎo)患者診療。人工智能引導(dǎo)的超聲心動(dòng)圖圖像采集技術(shù)還需要進(jìn)一步檢驗(yàn)，往后隨著這一技術(shù)的成熟，人工智能將提高患者護(hù)理的效率。人工智能心臟超聲分割、識別技術(shù)較為成熟，但在右心室大小和功能量化方面仍存在不足，人工智能在心臟超聲疾病診斷多見于常見病多發(fā)病，未來有望應(yīng)用于更多疾病的診斷。

2.2 心臟MRI

心臟MRI 是心血管疾病非侵入性評估的重要工具。人工智能在心臟MRI 中的應(yīng)用包括圖像重建、分割、心血管疾病診斷和預(yù)測預(yù)后等。

心臟MRI 有一個(gè)明顯的缺點(diǎn)即掃描時(shí)間長。在過去的十年里，并行成像、壓縮感知和實(shí)時(shí)成像等方法被用來加速獲取核磁共振圖像。在這些研究的基礎(chǔ)上，Qin等[11]在傳統(tǒng)迭代算法的基礎(chǔ)上利用時(shí)間序列依賴性的優(yōu)點(diǎn)，提高了磁共振成像的速度和精度。單個(gè)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)是圖像分割的常見方法，2018 年組織的國際左心房分割挑戰(zhàn)中兩個(gè)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法最優(yōu)，在自動(dòng)感興趣區(qū)域定位和細(xì)化區(qū)域分割方面均使用神經(jīng)網(wǎng)絡(luò)，該方法Dice 系數(shù)為93.2%，好于傳統(tǒng)方法和包含單個(gè)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法的結(jié)果[12]。此外，Guo等[13]解決了深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行心臟MRI 圖像分割需要大量的訓(xùn)練數(shù)據(jù)集的問題。多樣的心血管結(jié)構(gòu)的和心臟缺陷是復(fù)雜先天性心臟病患者分割任務(wù)中的巨大阻礙，為解決這一問題Du 等[14]提出了一種集成多任務(wù)的深度學(xué)習(xí)框架，該方法通過區(qū)域分割、本地信息到全局信息聚合實(shí)現(xiàn)同時(shí)自動(dòng)分割血池和心肌，其多目標(biāo)分割任務(wù)能力是目前最優(yōu)的，但在分割小目標(biāo)方面仍然存在一些不足。

人工智能不僅能夠進(jìn)行圖像分割還能自動(dòng)評估心室功能，有研究通過人工智能的方法，對雙心室進(jìn)行自動(dòng)定量分析，該研究設(shè)計(jì)了一個(gè)新的深度共生網(wǎng)絡(luò)將心室分割和心室功能參數(shù)任務(wù)統(tǒng)一到一個(gè)框架進(jìn)行。通過對四個(gè)開放的CMR數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，驗(yàn)證了該網(wǎng)絡(luò)進(jìn)行雙心室精確自動(dòng)定量的可行性和高效性[15]。Ruijsink 等[16]研發(fā)了一個(gè)全自動(dòng)的心臟磁共振心臟功能分析框架，該框架能夠通過檢測錯(cuò)誤輸出的算法達(dá)到質(zhì)量控制的效果，實(shí)驗(yàn)結(jié)果顯示其檢測錯(cuò)誤輸出的靈敏度為95%。

進(jìn)行疾病的診斷是人工智能在心臟MRI 中的另一應(yīng)用。肺動(dòng)脈高壓病死率高，且發(fā)病隱匿，Swift 等[17]研發(fā)了基于張量的心臟磁共振機(jī)器學(xué)習(xí)方法來自動(dòng)診斷肺動(dòng)脈高壓，該方法通過提取疾病特征在10 s 內(nèi)即可做出準(zhǔn)確診斷。預(yù)測分析在心血管疾病臨床研究中占重要地位，有研究者提出了一種機(jī)器學(xué)習(xí)生存模型來預(yù)測肺動(dòng)脈高壓患者不良事件和生存時(shí)間；該研究主要通過識別收縮運(yùn)動(dòng)模式來實(shí)現(xiàn)生存預(yù)測[18]，除此之外，它還能預(yù)測患者是否發(fā)生心力衰竭。

人工智能在心臟MRI 方面的應(yīng)用除了圖像解讀之外，在成像過程中的很多環(huán)節(jié)也有應(yīng)用，例如圖像重建、后處理工作流程等?，F(xiàn)在還沒有實(shí)驗(yàn)將人工智能方法與人工心臟磁共振數(shù)據(jù)評估進(jìn)行比較，這可能是未來研究的一個(gè)方向。此外，人工智能還需要解決核磁共振掃描儀、序列、成像參數(shù)不同導(dǎo)致的模型不穩(wěn)健的問題。

2.3 心臟CT成像

人工智能的應(yīng)用不僅可以優(yōu)化圖像質(zhì)量，Wolterink等[19]提出了卷積神經(jīng)網(wǎng)絡(luò)與對抗型神經(jīng)網(wǎng)絡(luò)聯(lián)合訓(xùn)練的方法來消除低劑量CT 圖像帶來的噪聲影響；還可以高效地分割圖像，Baskaran 等[20]利用一種端到端、快速、逐像素、深度學(xué)習(xí)的方法對結(jié)構(gòu)進(jìn)行注釋，分割速度約為人工分割的271倍。因此人工智能在心臟計(jì)算機(jī)斷層掃描血管成像(cardiac computed tomography angiography，CCTA)方面具有廣闊的臨床應(yīng)用前景。AI 在心臟CT 中的應(yīng)用包括心血管圖像分割、計(jì)算與識別、心血管疾病診斷及預(yù)后評估。

冠心病患者的診斷和治療與斑塊形態(tài)和狹窄百分比密切相關(guān)。Zreik 等[21]利用三維卷積神經(jīng)網(wǎng)絡(luò)對冠狀動(dòng)脈中心線分析，以此來檢測和分類冠狀動(dòng)脈斑塊和冠脈狹窄程度，該方法診斷精確度較高。其準(zhǔn)確區(qū)分有無斑塊的能力可以對患者下一步診療方式進(jìn)行初步分類。之后，Yang 等[22]進(jìn)一步具體研究血管狹窄和斑塊特征與心肌缺血的關(guān)系及其對預(yù)后的影響。結(jié)果顯示最小管腔面積、動(dòng)脈粥樣硬化體積百分比、纖維脂肪和壞死核心體積、斑塊體積、左前降支冠狀動(dòng)脈病變近端和重塑指數(shù)可預(yù)測低血流儲(chǔ)備分?jǐn)?shù)(fractional flow reserve，F(xiàn)FR) (AUC：0.797)。此外準(zhǔn)確識別斑塊特征并結(jié)合直徑狹窄百分比和FFR 可更好地預(yù)測發(fā)生血管導(dǎo)向復(fù)合結(jié)局的風(fēng)險(xiǎn)。

冠狀動(dòng)脈鈣化積分可以用來獨(dú)立預(yù)測心血管不良事件[23]。Zeleznik 等[24]將冠狀動(dòng)脈鈣作為特征，利用深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測心血管風(fēng)險(xiǎn)，該網(wǎng)絡(luò)計(jì)算結(jié)果不僅與人工檢測結(jié)果高度一致，而且還具有高度的重測信度。此外，Al'Aref等[25]開發(fā)了一個(gè)機(jī)器學(xué)習(xí)模型，綜合臨床因素和冠狀動(dòng)脈鈣評分，以預(yù)測冠狀動(dòng)脈計(jì)算機(jī)斷層血管造影上是否存在阻塞性冠狀動(dòng)脈疾病，結(jié)果顯示使用這種方法估計(jì)阻塞性冠狀動(dòng)脈疾病的準(zhǔn)確率提高了9%，該方法利于患者管理。

基于CCTA 的血流儲(chǔ)備分?jǐn)?shù)(CT-FFR)可以用來評估冠狀動(dòng)脈病變的血流動(dòng)力學(xué)。Tang 等[26]將AI 應(yīng)用于CT-FFR 自動(dòng)化檢測病變特異性缺血，該研究顯示每條血管診斷準(zhǔn)確性高達(dá)0.91。AI 不僅簡化了過程和縮短了計(jì)算時(shí)間，診斷中間病變的能力還優(yōu)于冠狀動(dòng)脈造影。此外，還有研究者將其與其他無創(chuàng)性傳統(tǒng)影像學(xué)檢查進(jìn)行比較。與常規(guī)CCTA、SPECT 和PET相比，CT-FFR 診斷冠脈特異性缺血的準(zhǔn)確性更高[27]。在此基礎(chǔ)上，von Knebel Doeberitz 等[28]發(fā)現(xiàn)聯(lián)合CT-FFR 和斑塊標(biāo)記物可進(jìn)一步提升鑒別病變特異性缺血的性能。另一方面，基于AI 的CT-FFR 還影響冠脈疾病患者的診療決策及預(yù)后評估[29]。Patel 等[30]通過觀察臨床疑似冠狀動(dòng)脈疾病患者一年內(nèi)發(fā)生的臨床事件，發(fā)現(xiàn)臨床事件發(fā)生率與血流儲(chǔ)備分?jǐn)?shù)呈負(fù)相關(guān)。在制定患者治療策略時(shí)納入血流儲(chǔ)備分?jǐn)?shù)可使大多數(shù)血流儲(chǔ)備分?jǐn)?shù)陰性的患者避免侵入性評估。

此外，人工智能最重要的能力是通過整合的信息發(fā)現(xiàn)人類不知道的特征。例如人工智能發(fā)現(xiàn)血管周圍脂肪衰減指數(shù)這一特征與冠狀動(dòng)脈炎癥關(guān)系密切[31]，同時(shí)研究了血管周圍脂肪衰減指數(shù)對全因和心臟死亡率的預(yù)后價(jià)值。隨后，Oikonomou等[32]提出了一種新的人工智能使用方法，發(fā)現(xiàn)血管周圍脂肪衰減指數(shù)變化與冠狀動(dòng)脈疾病相關(guān)的血管周圍結(jié)構(gòu)重構(gòu)相關(guān)，炎癥只是其中一部分原因。

綜上，人工智能通過卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化圖像質(zhì)量。人工智能在保證心臟分割準(zhǔn)確的基礎(chǔ)上，分割速度明顯加快。此外，人工智能還可以應(yīng)用于冠狀動(dòng)脈斑塊檢測和分類，冠脈狹窄判斷、血流儲(chǔ)備分?jǐn)?shù)及判斷預(yù)后方面。值得注意的是，人工智能還能發(fā)現(xiàn)新的影像生物標(biāo)志物，即血管周圍脂肪衰減指數(shù)，這為未來人工智能在影像醫(yī)學(xué)發(fā)展提供新思路。

2.4 心臟核素顯像

單光子發(fā)射計(jì)算機(jī)斷層成像術(shù)(single-photon emission computed tomography，SPECT)心肌灌注顯像在臨床上主要用于冠心病的診斷、風(fēng)險(xiǎn)分層及預(yù)后評估，并可評估左心室功能。圖像準(zhǔn)確分割是評估左室功能的基礎(chǔ)。Wang等[33]提出了使用端到端的全卷積神經(jīng)網(wǎng)絡(luò)來分割左室心肌和測量其體積，實(shí)驗(yàn)結(jié)果顯示，左心室心肌容積誤差為1.09%±3.66%，該技術(shù)為未來疾病診斷奠定基礎(chǔ)。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于SPECT心肌灌注顯像有助于冠狀動(dòng)脈疾病的診斷，該網(wǎng)絡(luò)與常規(guī)的負(fù)荷總積分、靜息總積分、差值分的受試者操作特征曲線下面積進(jìn)行比較，結(jié)果顯示人工智能網(wǎng)絡(luò)具有良好的診斷能力[34]。機(jī)器學(xué)習(xí)方法也被用于預(yù)測SPECT 顯像后的早期血管重建，該機(jī)器學(xué)習(xí)方法對每條血管和每例患者的預(yù)測準(zhǔn)確性優(yōu)于標(biāo)準(zhǔn)定量方法和專家評估[35]。Betancur 等[36]則是將深度學(xué)習(xí)應(yīng)用于半直立和仰臥位心肌灌注來預(yù)測梗阻性疾病。該深度學(xué)習(xí)同時(shí)分析半直立和仰臥位圖像，增加了每支血管疾病預(yù)測的準(zhǔn)確度和敏感度。AI 有潛力應(yīng)用于多種圖像的整合分析，未來有可能擴(kuò)展到俯臥位和仰臥位圖像或衰減校正和非衰減校正圖像的同時(shí)分析。Alonso等[37]開發(fā)了機(jī)器學(xué)習(xí)模型聯(lián)合分析心肌灌注單光子發(fā)射計(jì)算機(jī)斷層掃描和臨床數(shù)據(jù)來預(yù)測患者心臟性死亡的風(fēng)險(xiǎn)，值得注意的是該方法可以讓臨床醫(yī)生清楚風(fēng)險(xiǎn)評分背后的基本原理，解決了機(jī)器學(xué)習(xí)的“黑匣子”的問題。

此外為了減少圖像的衰減偽影，Betancur 等[38]提出了用深度學(xué)習(xí)方法將直立和仰臥位高效SPECT 心肌灌注成像數(shù)據(jù)結(jié)合起來預(yù)測阻塞性冠狀動(dòng)脈疾病，該方法預(yù)測的敏感度較以前的直立-仰臥位聯(lián)合量化方法提高了4%左右。Shi 等[39]等提出了利用深度學(xué)習(xí)方法直接從SPECT 發(fā)射數(shù)據(jù)中估計(jì)衰減圖的方法來提高單光子發(fā)射計(jì)算機(jī)斷層掃描的準(zhǔn)確度，該方法消除了患者運(yùn)動(dòng)導(dǎo)致SPECT和CT掃描之間的匹配錯(cuò)誤的偽影。

人工智能應(yīng)用于心臟核素顯像的方方面面，主要用于評估心肌血流灌注情況、左心室功能及風(fēng)險(xiǎn)分層，例如預(yù)測心臟不良事件等。人工智能可以用來減少圖像偽影提高診斷準(zhǔn)確度。它在準(zhǔn)確診斷疾病和預(yù)測不良事件發(fā)生率優(yōu)于當(dāng)前標(biāo)準(zhǔn)檢查方法和專家診斷。但未來還需解決人工智能預(yù)測模型如何更好地推廣到未來的數(shù)據(jù)以及對特定患者的預(yù)測情況進(jìn)行解釋的問題。

3 人工智能在臨床應(yīng)用中的挑戰(zhàn)

人工智能在心血管領(lǐng)域研究進(jìn)展迅速，給醫(yī)療實(shí)踐帶來革命性的變化，但還有部分問題急需解決。(1)人工智能的決策高效但存在可解釋性不足的問題。目前醫(yī)學(xué)影像領(lǐng)域已經(jīng)對人工智能可解釋問題進(jìn)行了研究。但仍無法確定人工智能可解釋的方法是可信的。人類各種主觀因素、模型的復(fù)雜性等因素影響AI 可解釋方法的設(shè)計(jì)和評估，今后對人工智能技術(shù)分析可解釋性進(jìn)行比較與評估，就必須找到一種具有可復(fù)制性和標(biāo)準(zhǔn)度的研究方法[40]。(2)近來人工智能的迅速發(fā)展離不開大的訓(xùn)練數(shù)據(jù)集，通過大數(shù)據(jù)人工智能可以很好地推廣到看不見的情況。但罕見病的數(shù)據(jù)是很難獲得的，因此通過小樣本摸索學(xué)習(xí)改良算法是非常必要的[41]。此外，獲得準(zhǔn)確、真實(shí)、合適的臨床數(shù)據(jù)集也是一個(gè)基本的挑戰(zhàn)。

人工智能越來越多地用于心臟影像學(xué)，從工作流程的改進(jìn)到自動(dòng)圖像分割、心血管疾病診斷，再到準(zhǔn)確的心血管風(fēng)險(xiǎn)預(yù)測，未來人工智能將結(jié)合大量臨床和心臟病學(xué)成像數(shù)據(jù)實(shí)現(xiàn)精準(zhǔn)醫(yī)療。

作者利益沖突聲明：全體作者均聲明無利益沖突。