周輝 李坤鵬 趙翰文 龔敏

人工智能（AI）是使用計算機在最少的人為干預下模擬智能行為[1]。英國數(shù)學家阿蘭·圖靈將計算機中的智能行為，定義為在認知任務中達到人類水平的能力[2]。目前AI 在醫(yī)學領域的應用場景包括疾病診斷、健康管理、圖像分析、手術引導、診療規(guī)劃等[3-5]，其效果在不同人群、模型中得到了驗證[6]。

1 AI對心血管疾病的輔助診斷

1.1 心電圖

在心電圖診斷中AI 已可實現(xiàn)常見心律失常以及心肌梗死的輔助診斷，與臨床醫(yī)師的診斷結論相比具有良好的準確性。AI 已能識別QRS 波、P 波、T 波及心電向量圖，計算心率、電軸及間期[7-8]?；诘聡?lián)邦物理研究院（PTB）數(shù)據(jù)庫的實驗結果表明，相較于現(xiàn)有技術，AI 對心肌梗死檢測的準確率為95.49%，靈敏度為94.85%，特異度為97.37%[9]。在AI 的幫助下心電圖甚至超越了其傳統(tǒng)的功能，使用配對的12 導聯(lián)心電圖和超聲心動圖數(shù)據(jù)，對來自梅奧診所44 959 例心血管疾病患者的左室射血分數(shù)進行分析，其靈敏度、特異度和準確度值分別為86.3%、85.7%和85.7%。在沒有心室功能障礙的患者中，AI 篩查陽性患者的準確率是其他技術的4 倍（HR＝4.1，95%CI：3.3～5.0）[10]。

1.2 超聲心動圖

超聲心動圖有助于臨床醫(yī)生更好地理解某些心臟疾病的嚴重性以及對患者進行風險分層[11]。Ghorbani 等[12]研究發(fā)現(xiàn)，在2 850 例心血管疾病患者的260 多萬張超聲心動圖圖像數(shù)據(jù)集上建立了卷積神經網絡（CNN）模型，以識別局部心臟結構、評估心臟功能（如左室收縮末期容積和舒張末期容積）、左室射血分數(shù)、左心房擴大和左室肥厚。AI 應用于心臟彩超評估心臟形態(tài)學及心功能測算，已實現(xiàn)超聲影像輔助分析、心功能的自動測算以及部分疾病的輔助診斷心臟彩超檢查，AI 模型可在獲得超聲心動圖像后，自動識別并測量左室壁相關指標，且其效果與三維超聲心動圖和心臟核磁共振檢查（MRI）相當[13]。AI 可以通過識別人類難以評估的參數(shù)生成心血管事件的預測模型。

1.3 心臟計算機斷層掃描血管造影

AI 在心臟電子計算機斷層掃描（CT）中主要用于冠狀動脈狹窄、斑塊性質、冠狀動脈鈣化的評估，以及冠狀動脈血流建模等的自動分析。AI 輔助心臟CT 可自動降噪并保證最佳成像質量以明確冠狀動脈狹窄程度。通過AI 輔助冠狀動脈計算機斷層掃描血管造影（CTA）評估冠狀動脈狹窄程度、病變狹窄長度、鈣化斑塊、非鈣化斑塊、血流儲備分數(shù)等，能更加準確地反映冠狀動脈病變情況[14-15]。AI 輔助冠狀動脈CTA 可減少患者暴露放射線，提高CTA 的診斷價值。

1.4 心臟MRI和心血管磁共振成像

近年來，心血管磁共振成像（CMR）在心臟病患者的診斷和風險分層中越來越重要。CMR 是心室無創(chuàng)性容量檢查、心功能評估、存活心肌評估的“金標準”，隨著AI 在醫(yī)學研究中的應用，CMR出現(xiàn)了新的評估途徑[16]。心肌炎患者心肌MRI 結果表示為T2 時可見心肌水腫、充血、壞死、疤痕[17]。心內膜心肌活檢存在潛在風險且檢出率低，因此影像學在心臟結節(jié)病的診斷和預后評估中發(fā)揮著越來越重要的作用。CMR 可用于評估心臟功能和纖維化區(qū)域，氟脫氧葡萄糖正電子發(fā)射斷層掃描（FDG正電子發(fā)射斷層掃描）可用于觀察疾病進程和監(jiān)測治療反應[18]。心肌缺血的無創(chuàng)評估是冠狀動脈粥樣硬化心臟?。ü谛牟。┰\斷的臨床目標，使用正電子發(fā)射斷層掃描測量心肌血流量是目前心肌缺血無創(chuàng)量化的參考標準[19]。

1.5 心血管介入

AI 可應用于心血管介入影像數(shù)據(jù)識別、分析以及決策支持，例如冠狀動脈造影結果分析，臨界病變FFR 的測定，光學相干斷層掃描（OCT）自動檢測血管大小，血管內超聲（IVUS）對管腔邊界、中層、外層界線的測量，薄纖維帽粥樣硬化斑塊與斑塊破裂的鑒別，支架內再狹窄風險評估[20-23]。AI機器人經皮冠狀動脈介入術（PCI）被引入心導管室，為支架放置提供了更高的精確度，并為操作人員提供了臨床防護。第一代機器人系統(tǒng)能夠推進和縮回冠狀動脈導線、球囊和支架，但無方向控制功能。第二代機器人系統(tǒng)（GRX 公司）具有主動導向管理功能，能夠移動導向導管。機器人技術在診斷性冠狀動脈造影術中的應用將進一步減少操作人員的輻射散射暴露和其他職業(yè)危害[24]。機器人輔助PCI 可提高手術精度和精細控制，保證有效性和安全性[25]。

2 心血管疾病管理及臨床決策

AI 對心血管疾病的危險分層及心血管主要不良事件（MACE）事件具有預測價值。全民健康保險服務-健康篩查隊列（NHIS-HEALS）模型能預測隨訪期間死于心血管疾病，因心肌梗死、PCI 或冠狀動脈旁路移植術住院，因中風住院，比傳統(tǒng)的統(tǒng)計方法鑒別準確性更高[26]。同樣，為了提高心血管疾病預測的準確性，可使用國家時間序列健康檢查數(shù)據(jù)進行風險分類[27]。使用機器學習可分析更大數(shù)量和高復雜度的變量，可更好地預測5 年急性冠脈綜合征發(fā)生率[28]。對收縮壓的變異性以及對高血壓患者不良結局的預測也有較好效果[29]。目前AI 已可以輔助心電圖、心臟彩超、CTA、冠狀動脈造影等檢查，并對數(shù)據(jù)進行分析。在慢性病管理、臨床決策、相關疾病指南制定中，AI 也逐漸體現(xiàn)優(yōu)勢[23,30-31]。

3 AI面臨的機遇和挑戰(zhàn)

目前AI 在心血管病領域有助于危急重癥的快速識別診斷，降低漏診率，疑難病癥的病因追溯，介入手術全程決策優(yōu)化及術者保護，以及慢性?。ㄈ绺哐獕骸⒐谛牟?、心力衰竭等）的管理及預后判斷。此外，AI 也可對以患者為中心的疾病診療、決策和管理發(fā)揮重要作用。如急性心肌梗死患者就醫(yī)時AI 可輔助心電圖快速檢出，助力心臟彩超對局限性室壁活動障礙的準確識別及心功能評估，鑒別診斷中影像學的數(shù)據(jù)分析，臨床處理決策流程支持，導管室冠狀動脈造影中對靶血管病變及臨界病變的判斷和處理決策，以及不良事件的預測，后期康復治療的管理等。同時，AI 進一步與可穿戴智能設備及5G技術的結合也將提高慢性心血管疾病綜合管理的效率。未來AI 以臨床大數(shù)據(jù)及不斷改進的算法為基礎，整合基礎研究領域如生物標志物、基因組學、蛋白質組學和代謝組學等，可進一步提高其臨床預測、決策價值，助力實現(xiàn)精準醫(yī)療并為患者提供更佳的個體化醫(yī)療服務，改善患者預后。

AI 仍有許多技術挑戰(zhàn)。由于基于機器學習的方法依賴大量高質量數(shù)據(jù)的可重復性，因此必須收集能夠代表目標患者群體的數(shù)據(jù)。來自不同醫(yī)院環(huán)境的數(shù)據(jù)可能包含各種偏差，導致針對一家醫(yī)院的數(shù)據(jù)訓練模型不能適用另一家醫(yī)院[32]。雖然AI在圖像分類、翻譯、語音識別、聲音合成、數(shù)據(jù)分析等領域都取得了顯著效果，但臨床診斷和治療任務往往需要更多的背景知識（患者的偏好、價值觀、病史等）[33]，故要實現(xiàn)用于收集、存儲和共享電子病歷的數(shù)據(jù)庫仍然面臨挑戰(zhàn)。

AI 提高了醫(yī)療領域的臨床診斷和決策能力。臨床醫(yī)生將需要適應AI 在信息采集、信息分析、信息決策中的作用。誰將最終控制、證明或從AI的應用中獲利仍有待確定，因此，必須優(yōu)先考慮監(jiān)管保障措施和市場力量之間的平衡，以確保患者獲得最大利益[34]。