宋聞英 深圳市精神衛(wèi)生中心/深圳市康寧醫(yī)院心電圖室 （廣東 深圳 518000）

內(nèi)容提要：影像學(xué)資料是心血管疾病的臨床診療的重要參考數(shù)據(jù)，臨床檢驗(yàn)師可根據(jù)患者的影像學(xué)資料對患者的臨床信息進(jìn)行判定，為進(jìn)一步的臨床干預(yù)提供指導(dǎo)。但在實(shí)際使用的過程中，限于人員臨床經(jīng)驗(yàn)及獲得影像學(xué)資料的主觀性，其臨床利用率較低。如何提升影像學(xué)資料的價(jià)值，以機(jī)器學(xué)習(xí)為代表的人工智能手段提出了新的解決思路。文章總結(jié)了機(jī)器學(xué)習(xí)在心血管疾病影像學(xué)診斷方法中的應(yīng)用，對已經(jīng)獲得的方法進(jìn)行了對比，為后續(xù)機(jī)器學(xué)習(xí)在臨床診斷、小樣本的深度分析及臨床應(yīng)用提供了參考。

隨著臨床影像學(xué)的發(fā)展，臨床檢驗(yàn)設(shè)備的創(chuàng)新以及檢驗(yàn)醫(yī)生經(jīng)驗(yàn)?zāi)芰Φ奶嵘R床影像學(xué)的準(zhǔn)確性不斷提高，但在實(shí)際的操作過程中仍然面臨著大量的問題。如：限于不同醫(yī)院儀器設(shè)備的差異以及診斷醫(yī)生的能力限制，存在著部分臨床圖像無法分辨，導(dǎo)致臨床采集的數(shù)據(jù)利用率不高，診斷醫(yī)生工作效率不高的問題。醫(yī)學(xué)影像學(xué)多為經(jīng)驗(yàn)醫(yī)學(xué)，出具的報(bào)告單多由診斷醫(yī)生形成，而醫(yī)生之間的經(jīng)驗(yàn)會導(dǎo)致最終結(jié)果的差異，因此，出具報(bào)告單是否能夠真實(shí)、全面、正確地反映患者的病情，尚需評斷。如前所述，臨床醫(yī)生的經(jīng)驗(yàn)，會對采集部位、最終的診斷結(jié)果產(chǎn)生影響，這就需要臨床診斷醫(yī)生通過大量的臨床訓(xùn)練來彌補(bǔ)上述不足，隨之產(chǎn)生的時間及精力成本對整個行業(yè)都是巨大的挑戰(zhàn)。作為臨床的重要手段之一，現(xiàn)代影像學(xué)在臨床多用于疾病的定性診斷，然而，如何利用現(xiàn)有的臨床診斷數(shù)據(jù)，用于定量，尤其是綜合臨床其他的診斷數(shù)據(jù)，對患者的身體情況進(jìn)行綜合的評價(jià)，尚需要大量的積累。

機(jī)器學(xué)習(xí)是伴隨人工智能發(fā)展的一門學(xué)科，是人工智能的一個子領(lǐng)域，機(jī)器學(xué)習(xí)算法根據(jù)描述數(shù)據(jù)的專家工程特征學(xué)習(xí)執(zhí)行任務(wù)。大量的研究顯示，機(jī)器學(xué)習(xí)可以有效地應(yīng)用于現(xiàn)代化的影像學(xué)的應(yīng)用當(dāng)中，利用其多層結(jié)構(gòu)的算法及深度學(xué)習(xí)特性，潛在性地提升醫(yī)學(xué)影像學(xué)的精度，同時，也為后續(xù)的精準(zhǔn)治療提供數(shù)據(jù)接口。

1.機(jī)器學(xué)習(xí)契合在心血管疾病診斷

機(jī)器學(xué)習(xí)隸屬于人工智能范疇，作為現(xiàn)代信息化技術(shù)，其利用現(xiàn)有的多角度的平面化數(shù)據(jù)及分析結(jié)果總結(jié)算法，建立多維模型；而這些模型可以模擬人腦的神經(jīng)網(wǎng)絡(luò)，通過持續(xù)不斷的算法訓(xùn)練，利用深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成式對抗網(wǎng)絡(luò)及膠囊網(wǎng)絡(luò)等學(xué)習(xí)模型，將復(fù)雜的數(shù)據(jù)簡化，最終輸出判定結(jié)果[1,2]。而機(jī)器學(xué)習(xí)的過程，特別適用于臨床影像學(xué)的判定。

作為臨床應(yīng)用影像學(xué)最多的疾病，心血管疾病往往需要以影像學(xué)的資料進(jìn)行臨床的輔助診斷，同時作為臨床最為常見的疾病，以心血管疾病為切入點(diǎn)，可以快速提升機(jī)器學(xué)習(xí)在醫(yī)學(xué)影像學(xué)中的應(yīng)用效果，彌補(bǔ)其臨床的缺點(diǎn)。基于此，下文將深入探討近年來機(jī)器學(xué)習(xí)在心血管疾病診斷中的應(yīng)用，為實(shí)現(xiàn)心血管疾病的早期診斷及早期治療提供信息化的支持。

2.機(jī)器學(xué)習(xí)在冠狀動脈鈣化值評估中的應(yīng)用

在動脈粥樣硬化發(fā)病過程中，冠狀動脈鈣化（Coronary Artery Calcium，CAC）是判定心血管不良事件預(yù)后的重要參數(shù)。但CAC的計(jì)算方法尚存一些問題亟待解決。如對于鈣化范圍的判定，雖然影像學(xué)多以不同部位的鈣化趨勢作為判定標(biāo)準(zhǔn)，如分別以點(diǎn)狀、節(jié)段及彌漫性鈣化定義鈣化的程度，但對于病灶位置的選擇及鈣化形態(tài)的判定多依賴于臨床醫(yī)師的經(jīng)驗(yàn)?；诖耍琖olterink等[3]嘗試以機(jī)器學(xué)習(xí)的方法，對CAC鈣化點(diǎn)的位置及面積進(jìn)行提取，以深度學(xué)習(xí)自動定量模式識別手段，直接定量CAC，從根本上細(xì)化了CAC值的計(jì)算方式；Shadmi等[4]則建立了以全卷積深層神經(jīng)網(wǎng)絡(luò)為內(nèi)核的冠狀動脈鈣化自動分割方法，用于評估CAC值，最終的統(tǒng)計(jì)結(jié)果顯示，該方法準(zhǔn)確高效；Datong等[7]基于大量的臨床影像學(xué)數(shù)據(jù)，構(gòu)建了一種基于深度學(xué)習(xí)的算法，用于評估CAC值，可準(zhǔn)確檢測復(fù)雜影像學(xué)背景下的冠狀動脈鈣化點(diǎn)/面；Yang等[5]則根據(jù)已經(jīng)獲得的CT圖像中，主動脈、心臟和冠狀動脈等部位的分割結(jié)果，其對CAC值計(jì)算的靈敏度和陽性預(yù)測值分別為98.9%和94.8%。

3.機(jī)器學(xué)習(xí)在心血管疾病超聲診斷中的應(yīng)用

超聲診斷是心臟類疾病檢驗(yàn)中重要的檢測手段，其利用超聲直接獲得心血管的結(jié)構(gòu)信息，進(jìn)而對患者的病情進(jìn)行判斷。超聲心動圖因其便攜性、高時間分辨率、無輻射、成本低而得到廣泛應(yīng)用。在過去幾年中，歐洲心臟病學(xué)會推薦超聲心動圖用于大多數(shù)心臟疾病的診斷和預(yù)后。這些建議導(dǎo)致需要認(rèn)真處理和審查的已執(zhí)行研究數(shù)量大大增加，圖像分析的標(biāo)準(zhǔn)工作模式（包括量化和報(bào)告）已經(jīng)變得非常耗費(fèi)資源和時間?；诔暭夹g(shù)，現(xiàn)在已經(jīng)開發(fā)出一系列的商業(yè)軟件用于臨床數(shù)據(jù)的直接分析，如通用的EchoPAC系統(tǒng)、飛利浦QLAB系統(tǒng)等。然而相對于心血管疾病的復(fù)雜性，單純的血管分割、血液流變學(xué)分析已經(jīng)無法滿足臨床的實(shí)際需要，針對軟件獲得結(jié)果，仍然需要醫(yī)師后期進(jìn)行系統(tǒng)的解析方可實(shí)現(xiàn)。具有數(shù)字超聲心動圖圖像的大量數(shù)據(jù)集的存在和人工智能技術(shù)的發(fā)展創(chuàng)造了一種環(huán)境，在這種環(huán)境中，人工智能解決方案成為解決問題的方向，利用機(jī)器學(xué)習(xí)則可實(shí)現(xiàn)該過程的人工智能化，以此來實(shí)現(xiàn)當(dāng)前的手動工作流程的自動化。目前，以圖像采集、分析、報(bào)告和教育的人工智能解決方案已開發(fā)用于超聲心動圖的診斷和預(yù)測任務(wù)，圖像質(zhì)量增強(qiáng)、自動圖像視圖分類、心功能評估、疾病分類和心臟事件預(yù)測的性能總體良好，左心室功能評估和量化最為常見。未來，人工智能在超聲心動圖中的主要優(yōu)勢預(yù)計(jì)將來自自動化分析和解釋的改進(jìn)，以減少工作量和改善臨床結(jié)果。如Khamis[6]以臨床的309張UCG圖片建庫，提取圖片的空間特征并建立監(jiān)督型字典，對患者的心尖病變進(jìn)行判定，經(jīng)過模型的訓(xùn)練，其對UCG圖片的識別和分類的準(zhǔn)確率高達(dá)95%。Knackstedt等[7]以255名竇性心率患者的心臟超聲數(shù)據(jù)為數(shù)據(jù)庫，以TomTec機(jī)器學(xué)習(xí)系統(tǒng)采集射血分?jǐn)?shù)和雙翼縱向應(yīng)變的數(shù)值后，對比機(jī)器測量值同人工評估的值進(jìn)行對比后可知，最終模型的準(zhǔn)確率可達(dá)98%。Dong等[8]嘗試以機(jī)器學(xué)習(xí)手段對3D超聲心動圖進(jìn)行左心室心內(nèi)膜的分割，其結(jié)果顯示，以機(jī)器學(xué)習(xí)手段對模型進(jìn)行修正，大幅提升了臨床圖片的判斷率。由上述結(jié)果可知，以機(jī)器學(xué)習(xí)對心血管疾病超聲的數(shù)據(jù)進(jìn)行整理，效果較好，有很高的臨床應(yīng)用潛力，可以在未來替代部分醫(yī)生的工作。

4.機(jī)器學(xué)習(xí)對動脈粥樣硬化斑塊性質(zhì)識別的應(yīng)用

機(jī)器學(xué)習(xí)還可直接評價(jià)動脈粥樣硬化斑塊的性質(zhì)。在動脈粥樣硬化發(fā)病的過程中，斑塊的性質(zhì)，尤其是其進(jìn)一步增大、破裂是其后續(xù)血栓性疾病發(fā)生的關(guān)鍵。因此，利用影像學(xué)資料對斑塊的形態(tài)及性質(zhì)進(jìn)行初步判斷，是降低動脈粥樣硬化患者臨床風(fēng)險(xiǎn)，預(yù)防血栓脫落，造成心梗及腦梗的關(guān)鍵。雖然血清炎癥因子等指標(biāo)可以直接反映斑塊的理化性質(zhì)，但在臨床仍然以影像學(xué)資料描述斑塊的性質(zhì)，常見的檢測手段包括：多層螺旋CT、寶石CT能譜成像、高分辨率磁共振成像、增強(qiáng)磁共振成像、常規(guī)超聲、對比增強(qiáng)超聲造影、血管內(nèi)超聲及血管內(nèi)虛擬組織學(xué)超聲等[9,10]。相比于CAC值的評估，動脈粥樣硬化斑塊的性質(zhì)判定需要的檢測經(jīng)驗(yàn)更多，對醫(yī)師的檢驗(yàn)?zāi)芰σ蟾?，而利用機(jī)器學(xué)習(xí)技術(shù)，是解決上述問題的潛在路徑。Gessert等[11]利用3位臨床專家標(biāo)記的臨床患者CT圖像數(shù)據(jù)集，以深度學(xué)習(xí)模型對上述數(shù)據(jù)集進(jìn)行分類。最終，該模型可以有效地對斑塊的分期進(jìn)行分級，而最終的分級，準(zhǔn)確度為91.7%，靈敏度為90.9%，特異性為92.4%。Kolossváry等[12]則利用放射組學(xué)的數(shù)據(jù)庫，以機(jī)器學(xué)習(xí)反復(fù)訓(xùn)練對上述圖像進(jìn)行深度學(xué)習(xí)。通過對模型的反復(fù)訓(xùn)練，餐巾環(huán)征斑塊和非餐巾環(huán)征斑塊之間，有20.6%（916/4440）的放射組學(xué)顯著性差異（Bonferroni校正后的P<0.0012），該結(jié)果可以用于餐巾環(huán)征的CT影像學(xué)識別。

5.機(jī)器學(xué)習(xí)在心血管影像分割中的應(yīng)用

冠狀動脈狹窄是冠狀動脈粥樣硬化性心臟病發(fā)生的主要原因之一，針對冠狀動脈狹窄的評估，可以為后續(xù)的心血管疾病診斷治療，提供第一手的依據(jù)。臨床上，常常以影像學(xué)手段對冠狀動脈進(jìn)行評估。但由于冠狀動脈結(jié)構(gòu)復(fù)雜，不同部位、不同類別的圖象，均有各自不同的特點(diǎn)，因此首先需要對血管進(jìn)行系統(tǒng)的分割，如多尺度法、區(qū)域生長方法、匹配濾波法、數(shù)學(xué)形態(tài)學(xué)法、基于血管架構(gòu)的方法和基于脊的方法[13]?？紤]到冠狀動脈血管的復(fù)雜性，如何實(shí)現(xiàn)對冠狀動脈整體的分割，分別考察其診斷意義，是心血管影像學(xué)亟待解決的問題。

為了識別心外膜脂肪組織和冠狀動脈血管，Commandeur等[14]以250名無癥狀志愿者的CT數(shù)據(jù)為訓(xùn)練集，分別利用多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（ConvNet）和統(tǒng)計(jì)形狀模型對上述數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)，該模型可有效識別心外膜脂肪組織和胸腔內(nèi)脂肪組織，接近專家的量化評價(jià)值。為了將冠狀動脈血管從造影結(jié)果中有效分離出來，并進(jìn)一步真實(shí)反映其臨床形態(tài)，Tan等[15]以多通道全卷積網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)，從X射線血管造影結(jié)果中識別偽影，經(jīng)過模型的反復(fù)訓(xùn)練，最終可真實(shí)地反映出冠狀動脈血管的結(jié)構(gòu)，該方法可以有效地對冠狀動脈血管進(jìn)行分割，大幅提升了冠狀動脈血管的影像學(xué)識別效率。在Bratt等[16]的研究中，其利用神經(jīng)網(wǎng)絡(luò)分割了心血管磁共振所獲得的冠狀動脈血管數(shù)據(jù)，有效地識別了相差。其根據(jù)主動脈瓣邊界的臨床影像，對150名患者的心血管磁共振資料進(jìn)行分析，經(jīng)過機(jī)器學(xué)習(xí)后，大幅提升了該模型對于PC的識別。

6.展望

隨著人工智能的發(fā)展，機(jī)器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用范圍得到了進(jìn)一步的擴(kuò)展。伴隨著人工大數(shù)據(jù)研究的深入，利用臨床影像學(xué)資料可以深入挖掘、校驗(yàn)獲得的臨床信息。機(jī)器學(xué)習(xí)除了用于臨床影響資料的輔助判定外，亦可對影像資料修復(fù)，識別，進(jìn)一步反哺臨床。伴隨機(jī)器學(xué)習(xí)，除了可以用于臨床影像資料的修正及檢驗(yàn)外，亦可通過臨床信息，構(gòu)建兩者的內(nèi)在聯(lián)系，進(jìn)一步優(yōu)化模型，增加醫(yī)學(xué)影像診斷的效能，實(shí)現(xiàn)其從影像學(xué)資源向定量定性分析的轉(zhuǎn)化。毫無疑問，隨人工智能和大數(shù)據(jù)技術(shù)的發(fā)展，針對影像學(xué)臨床評價(jià)的算法和影響組學(xué)的應(yīng)用，可以大幅提升心血管影像學(xué)的臨床診斷及篩查效率，特別是對冠狀動脈狹窄程度評估及動脈粥樣硬化斑塊成分的分析，更加客觀準(zhǔn)確，從而有效降低。