徐艷華（Xu Yanhua），張玉泉（Zhang Yuquan）

南通大學附屬醫(yī)院婦產(chǎn)科；南通大學醫(yī)學院，南通 226001；

血栓栓塞性疾病是一種常見的血管疾病，按血栓發(fā)生部位可分為動脈血栓栓塞（arterial thromboembolism，ATE）和靜脈血栓栓塞（venous thromboembolism，VTE）。其中，動脈血栓栓塞性疾病又包括動脈缺血發(fā)作、腦卒中、房顫和急性冠狀動脈綜合征（acute coronary syndrome，ACS）。靜脈血栓栓塞性疾病包括深靜脈血栓（deep vein thrombosis，DVT）及肺栓塞（pulmonary embolism，PE）［1］。血栓栓塞性疾病發(fā)病機制復雜，且具有高隱匿性、高發(fā)病率［2］、高致死率［3-4］等特點，部分病人有效治療后仍可能遺留血栓后綜合征（postthrombotic syndrome，PTS）［5］，嚴重影響患者生活質(zhì)量。因此，深入研究其發(fā)病機制，及時準確診斷，改進其治療方案具有重要臨床意義。人工智能（artificial intelligence，AI）在血栓栓塞性疾病的發(fā)病機制、風險預測、輔助診斷、治療等領(lǐng)域逐步應用［6］，本文就其應用現(xiàn)狀進行綜述。

1 AI發(fā)展歷史及核心技術(shù)

1956 年，以約翰·麥卡錫為代表的科學家在達特茅斯大學研討會上首次提出“人工智能”一詞，并制定了發(fā)展路線和發(fā)展目標［7］。然而，新事物的誕生總是螺旋式上升，波浪式前進，人工智能的發(fā)展亦是如此。自提出后，人工智能先后經(jīng)歷過三次浪潮：符號主義（始于上世紀50年代），連接主義（始于上世紀80 年代），以及深度學習（始于2010 年代）［8-9］。前兩次浪潮都經(jīng)歷過低谷，但是以深度學習為代表的第三次浪潮由于充分利用了大數(shù)據(jù)和云計算等技術(shù)，尤其是最近幾年以生成式AI（ChatGPT 等）為代表的興起，取得了遠超之前的成果［10-11］。科學家預測，人工智能將開啟人類第四次工業(yè)革命的新篇章。

AI 是一門交叉前沿學科，涉及數(shù)學、計算機科學、哲學、認知心理學、信息論［12］。通過識別語音、圖像模仿或類人類大腦功能完成各種任務，解決一些復雜問題［13］。實現(xiàn)人工智能的核心技術(shù)包括大數(shù)據(jù)管理和信息挖掘、模式識別、圖像處理和機器學習等。AI 技術(shù)常見研究方法包括統(tǒng)計學習算法和深度學習算法兩大類。統(tǒng)計學習算法包括提取數(shù)據(jù)特征、建立數(shù)學模型、對數(shù)據(jù)進行分類和預測［14］。常用統(tǒng)計學習算法包括線性回歸、貝葉斯、支持向量機、決策樹、概率圖模型、最大期望算法等。深度學習（deep learning，DL）是機器學習的一個子集，具有強大學習能力，其多層神經(jīng)網(wǎng)絡結(jié)構(gòu)用于模擬人腦神經(jīng)元，從海量數(shù)據(jù)中獲取有效信息，從而進行數(shù)據(jù)分類和預測算法。

目前，AI 與臨床數(shù)據(jù)建模相結(jié)合，能為疾病發(fā)展提供快速、簡便、準確、高效的早期篩查、危險因素分析、精確診斷、準確決策和預后等方法，已在醫(yī)學眾多領(lǐng)域發(fā)揮極其重要的作用。未來，在臨床各領(lǐng)域的深入應用也是醫(yī)學發(fā)展的必然趨勢［15-16］。

2 AI在血栓栓塞性疾病中的應用

2.1 AI在VTE風險評估方面的應用

傳統(tǒng)VTE 風險評估由醫(yī)護人員根據(jù)患者病情進行人工評估，由于存在主觀因素，假陽性率高且特異度低。胡龍軍、孟巖等人［17-18］基于自然語言對院內(nèi)多元系統(tǒng)數(shù)據(jù)進行結(jié)構(gòu)化處理，通過機器學習方法，綜合已有量表指標，制定了VTE 風險評估模型，結(jié)果顯示VTE 智能評估與輔助決策系統(tǒng)在多方面起到重要作用，例如：提升患者VTE 風險預警能力、規(guī)范臨床診療行為、降低醫(yī)院VTE 發(fā)生風險、提高醫(yī)院整體管理水平等。朱一新等人［19］將智能VTE 質(zhì)控系統(tǒng)嵌入醫(yī)生工作站，利用新技術(shù)提取病歷中VTE 風險因素并自動計算分值、評估風險和推送防治建議，減少了院內(nèi)VTE 發(fā)生率。高遠等人［20］收集15 856 例骨折手術(shù)患者資料，選擇4 種常用算法構(gòu)建VTE 風險預測模型，對各VTE 人工智能預測模型的重要特征分析表明，隨機森林（random forest，RF）模型在創(chuàng)傷患者VTE 風險預測中的精確度最高，為制訂VTE 預防策略提供了參考依據(jù)。Wang等人［21］回顧性分析了4 年間接受初次膝關(guān)節(jié)/髖關(guān)節(jié)置換術(shù)的患者術(shù)后雙下肢靜脈超聲檢查的數(shù)據(jù)，結(jié)果發(fā)現(xiàn)，機器學習模型可以幫助預測膝/髖關(guān)節(jié)置換術(shù)后深靜脈血栓形成的風險。

總之，通過系統(tǒng)進行風險評估和預測，減輕了醫(yī)護人員工作量，更為重要的是能夠達到同質(zhì)性，提高了評估和預測質(zhì)量。另外，系統(tǒng)早期識別高危患者后指導規(guī)范治療及遠期隨訪管理，能夠降低不良事件發(fā)生率，避免了醫(yī)療資源的浪費。

2.2 AI在血栓影像方面的應用

在血栓診斷過程中，MRI、CT、B 超等成像技術(shù)應用廣泛。血栓病變部位影像學信息為臨床醫(yī)師提供重要診斷依據(jù)。隨著成像技術(shù)的普及和持續(xù)發(fā)展，大量醫(yī)學圖像需要進行合理高效地管理，正確提取其中可以幫助診斷和治療的有效信息，輔助篩查、診斷和治療，成為研究人員關(guān)注的熱點。AI技術(shù)在圖像識別等領(lǐng)域已經(jīng)達到了媲美人類的水平，將其引入醫(yī)學影像診斷，用于輔助人工診斷具有廣泛的應用場景，能夠極大地提高識別準確率和效率。Wang 等人［22］進行了一項薈萃分析，以評估AI 在預測和診斷靜脈血栓形成中的作用。結(jié)果發(fā)現(xiàn)，人工智能能提高靈敏度、特異度和ROC 曲線下面積值，有助于靜脈血栓形成的診斷和預測，表明人工智能具有重要的臨床價值。

2.2.1 磁共振成像（magnetic resonance imaging，MRI） MRI 無創(chuàng)并且輻射少，在血栓診斷中備受青睞。而造影劑增強型MRI（contrast-enhanced MRI，CE-MRI）顯示病灶速度快，血栓部位因造影劑填充顯示得更清楚，有研究者建議將CE-MRI 作為VTE標準化影像學檢查［23］。在CE-MRI 中，準確分割血栓，確定血栓的范圍和體積在其診斷和治療中尤其重要。但是，手動描繪血栓體積耗時費力，而且存在一定的主觀性。AI 助力于全自動分割，在自動化方法中，機器學習（machine learning，ML）特別是深度學習，顯示出巨大潛力，一些自動分割方法已應用于下肢血管分割［24］。Huang 等人［25］采集58 例患者CE-MRI 切片5 388 張，由兩位經(jīng)驗豐富的放射科醫(yī)生使用ITK-SNAP軟件手動勾勒血栓范圍，通過卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）模型提取MRI圖像特征信息，經(jīng)過測試集與訓練集后發(fā)現(xiàn)CNN模型在CE-MRI圖像切片中執(zhí)行分割任務僅需要1.5 s。Sun等人［26］從三個中心獲得110名受試者圖像，由兩位經(jīng)驗豐富的放射科醫(yī)生使用DANTE-SPACE和DANTE-FLASH 兩種不同“黑血”MR技術(shù)，手動繪制每個靜脈血栓輪廓，基于生成對抗網(wǎng)絡（generative adversarial network，GAN）的深度學習網(wǎng)絡自動分割靜脈血栓，并與現(xiàn)有的3D U-Net、V-Net 和Cascade nnU-Net 醫(yī)學圖像分割模型進行比較，結(jié)果發(fā)現(xiàn)GAN 網(wǎng)絡模型生成的分割結(jié)果與真實世界相吻合。相比于手動描繪血栓，MRI 在AI 輔助下的分割速度更快，可替代性強，有利于臨床醫(yī)生快速客觀地評估DVT。

2.2.2 CT CT 靜脈成像（computed tomography venography，CTV）主要用于下肢主干靜脈或下腔靜脈血栓的診斷。非增強CT（noncontrast computed tomography，NCCT）上高密度動脈征（hyperdense middle cerebral artery sign，HAS）提示急性缺血性卒中患者的大血管閉塞（large vessel occlusion，LVO）有助于識別潛在大血管閉塞患者。Weyland等人［27］將兩名放射科醫(yī)生和人工智能驅(qū)動的算法（Brainomix?）對154 名經(jīng)CT 血管造影（computed tomography angiography，CTA）證實的LVO 患者的CT 影像進行獨立評估，結(jié)果發(fā)現(xiàn)自動估計的血栓長度與基于CTA 的參考標準一致，且證明通過測試軟件自動檢測HAS和估計NCCT上的血栓長度可行性，與經(jīng)驗豐富的神經(jīng)放射科醫(yī)生水平相當。Wang等人［28］回顧了340名伴有腔內(nèi)血栓形成（intraluminal thrombus，ILT）的腹主動脈瘤（abdominal aortic aneurysm，AAA）患者術(shù)前計算機斷層掃描血管造影（CTA）圖像，使用MATLAB 對圖像進行預處理，ITKSNAP 軟件繪制AAA 和ILT感興趣區(qū)域（region of interest，ROI），建立深度卷積神經(jīng)網(wǎng)絡模型（deep convolutional neural network，DCNN）。通過訓練和測試，DCNN 模型在測試集中實現(xiàn)了理想的預測性能，證明DCNN 模型可用作術(shù)前CTA 圖像中腹主動脈血栓全自動分割的有效輔助工具。血栓影像學特征與卒中患者的治療成功率和功能結(jié)局相關(guān)，Mojtahedi 等人［29］使用卒中患者多中心數(shù)據(jù)集，訓練了基于雙模態(tài)U-Net 的卷積神經(jīng)網(wǎng)絡來分割該邊界框內(nèi)的血栓，結(jié)果發(fā)現(xiàn)具有加權(quán)和特征融合的雙編碼器U-Net 表現(xiàn)出最佳性能。這些研究結(jié)果表明，通過構(gòu)建模型，AI 可以基于CT影像自動評估和分割血栓、測量血栓長度，成為一種有效輔助工具。

肺栓塞誤診率和漏診率均較高，快速診斷和及時治療至關(guān)重要。胸部CT 肺動脈造影（chest CT pulmonary angiography，CTPA）是PE 診斷的金標準。深度學習使用CTPA 識別PE 有助于優(yōu)先處理危重病例并加快對高危患者的診斷。Islam 等人［30］比較了使用深度學習方法CTPA 診斷PE 效能，將卷積神經(jīng)網(wǎng)絡與視覺轉(zhuǎn)換器進行比較，并將自我監(jiān)督學習（self-supervised learning，SSL）與監(jiān)督學習進行對比，然后將遷移學習與從頭開始的訓練進行比較；在測試集，將傳統(tǒng)分類與多實例學習（multiple instance learning，MIL）進行比較，結(jié)果表明，與現(xiàn)有技術(shù)相比，ROC 曲線下的面積（area under Curve，AUC）均增加，表明深度學習方法能顯著提高PE 診斷效能。Ma 等人［31］提出一種兩階段多任務學習方法識別PE 的存在及其特征，在RSNA-STR 肺栓塞CT 數(shù)據(jù)集上進行訓練，AUC 達到0.93，靈敏度為0.86，特異性為0.85；與放射科醫(yī)生相比，敏感性為0.67～0.87，特異性為0.89～0.99?？梢钥闯觯珹I 結(jié)合CTPA，除獲得理想的PE 檢測性能外，還可以預測PE和現(xiàn)有病例的其他特征，有望應用于PE診斷。

抗凝劑是靜脈血栓的治療方法之一，然而，部分患者不能耐受抗凝治療，推薦放置下腔靜脈濾器（inferior vena cava filter，IVCF）以降低肺栓塞的風險。IVCF 是暫時的，IVCF 延遲取出可能導致濾器移位、腔內(nèi)血栓形成、過濾器斷等嚴重并發(fā)癥，不僅如此，這些并發(fā)癥發(fā)生風險隨著停留時間的延長而增加［32-33］。Gomes 等人［34］開發(fā)了一種從CT 掃描切片中分割I(lǐng)VCF 的深度學習模型，該模型在372 個CT掃描切片上訓練的Dice 得分為0.82，將分割模型與CT 掃描標記為IVCF 的預測有無算法整合，利用分割模型的預測算法在掃描中檢測IVCF 的準確率為92.22%。這項研究表明，深度學習方法在全自動分割CT圖像上準確定位IVCF快速、有效且穩(wěn)定；從空間上來說，具有較高精確度，可用于準確定位IVCF，能大大減輕放射科醫(yī)生工作負擔。

2.2.3 B 超 下肢血管加壓超聲檢查（compression ultrasound，CUS）具有較高的敏感性和準確性，是目前最常用的診斷下肢靜脈血栓的無創(chuàng)檢查。AI 作為一種新興技術(shù)，能幫助醫(yī)生更快更準確地判讀超聲影像。Kainz 等人［35］用255 名志愿者的超聲視頻訓練深度學習算法，并對來自NHS DVT 診斷診所的53 名前瞻性入組患者和來自德國DVT 診所的30 名前瞻性入組患者的樣本進行評估，與臨床金標準相比，算法DVT 診斷性能在95%CI 范圍內(nèi)的靈敏度（0.82～0.94）、特異性（0.70～0.82）、陽性預測值（0.65～0.89）和陰性預測值（0.99～1.00）；另外，為了評估該技術(shù)在醫(yī)療保健中的潛在價值，將此方法加入到DVT 臨床途徑，分析成本發(fā)現(xiàn)可以獲得凈臨床受益。除此之外，構(gòu)建模型后AI能夠協(xié)助進行遠程診斷，縮短診斷時間。隨著通信技術(shù)的不斷發(fā)展，5G 助力遠程超聲，為遠程超聲機器人、多學科會診和院前急救提供技術(shù)支持，可以低延時、高速率、實時動態(tài)傳輸高清影像數(shù)據(jù)以及保證遠程超聲機械臂的高敏感度［36］。2020 年初，新型冠狀病毒感染暴發(fā)的危急時期，通過遠程超聲診斷系統(tǒng)成功評估1 例隔離病房新型冠狀病毒感染患者的肺部炎癥程度及心肺功能，整個操作過程順利，耗時25 min。未來，遠程超聲結(jié)合現(xiàn)代AI 技術(shù)，將進一步推動超聲醫(yī)學的發(fā)展［37］。

2.3 AI在血栓栓塞性疾病藥理研究、醫(yī)藥研發(fā)方面的應用

血管壁內(nèi)皮損傷、血液成分異常、血流淤滯是VTE 發(fā)病的基礎(chǔ)。從微觀上來看，血栓形成是在空間和時間上發(fā)生的復雜的生物過程，是抗凝血因子和血凝塊血流動力學綜合作用的結(jié)果。血小板是血液中的無核細胞，在原發(fā)性止血中起著關(guān)鍵作用，可防止血管損傷導致的失血。在動態(tài)的凝血過程中，血小板結(jié)合并激活膠原蛋白同時釋放自分泌因子，如ADP 和血栓素，而受損血管壁上的組織因子（tissue factor，TF）會導致局部凝血酶的產(chǎn)生。目前VTE 的治療主要包括物理、抗凝、溶栓和放置下腔靜脈濾器。由于凝血動力學和血流影響的個體間差異，選擇最有效的抗凝劑和適當?shù)慕o藥方案仍然是一個復雜的問題。快速評估患者對抗凝治療的特異性反應將有助于臨床決策并確保有效管理凝血患者。基于這些原理，Lu等人［38］模擬特定患者的血栓形成開發(fā)一種模型，該模型準確地預測了凝塊形態(tài)和動態(tài)變化，此外，針對血小板環(huán)氧合酶-1等受體調(diào)節(jié)劑，準確模擬了TF/膠原蛋白上的凝血，在血流動力學和藥理學條件下對患者進行血栓形成的特異性模擬，有助于評估藥理學選擇并更好預測血栓。Zhou 等人［39］則提出了一種根據(jù)激動劑類型進行分類的智能方法，它基于流式細胞術(shù)，使用圖像數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡，能識別和區(qū)分由不同類型的激動劑激活的血小板聚集體細微但可觀察的形態(tài)特征。Bouchnita 等人［40］擴展了先前開發(fā)的模型，使用數(shù)據(jù)集來訓練人工神經(jīng)網(wǎng)絡（artificial neural network，ANN），探索了抗凝治療下凝血酶生成和血栓形成的時空動態(tài)，快速預測患者對抗凝治療方案的特異性反應，準確度高達96%。可以看出，AI 技術(shù)可以對病人數(shù)據(jù)進行“元學習”，通過AI挖掘血栓形成背后驅(qū)動因素的信息可以幫助我們更好地了解血栓形成的動態(tài)過程，有望為血栓栓塞性疾病的臨床診斷、藥理學和治療學打開一個全新的窗口。

3 挑戰(zhàn)及展望

3.1 挑戰(zhàn)

AI 作為一把雙刃劍，在真正走向廣泛臨床應用的過程中，仍面臨一些問題。其局限性表現(xiàn)在：①編寫算法的工程師可能將個人對于疾病的理解代入算法中，一旦工程師存在理解不足或偏見，結(jié)果將產(chǎn)生偏頗，導致疾病診斷的錯誤［41-42］；②某些算法可能僅適用于特定的數(shù)據(jù)類型，對訓練數(shù)據(jù)進行模型的過度擬合，也會導致模型出現(xiàn)偏移［43-45］；③在自動量化系統(tǒng)中，圖像質(zhì)量、圖像分割錯誤以及功能量化誤差均會影響模型預測結(jié)果；④醫(yī)療數(shù)據(jù)質(zhì)量參差不齊和部分數(shù)據(jù)缺失嚴重、醫(yī)學術(shù)語表述多樣化等導致數(shù)據(jù)匯聚、挖掘和利用困難［46-48］；⑤數(shù)據(jù)共享存在知識產(chǎn)權(quán)和患者隱私等問題，相關(guān)倫理、法律問題尚不明確［49-50］；⑥常規(guī)醫(yī)療過程是面對面的診療，更能體現(xiàn)人文關(guān)懷，目前AI尚不可及［51］。

3.2 展望

盡管存在許多尚未解決的問題，但通過前后出臺的一系列相關(guān)政策，我們?nèi)詰摽吹紸I在血栓栓塞性疾病診療中的光明前景。2017 年7 月，在國務院《新一代人工智能發(fā)展規(guī)劃》《關(guān)于促進“互聯(lián)網(wǎng)+醫(yī)療健康”發(fā)展的意見》等政策性文件的大力支持下，人工智能已經(jīng)上升到國家戰(zhàn)略層面，旨在構(gòu)筑先發(fā)優(yōu)勢，把握科技革命戰(zhàn)略主動性［8］。我國人口眾多，擁有海量的醫(yī)療數(shù)據(jù)庫，國家正在籌備醫(yī)學圖像數(shù)據(jù)庫，為以后AI研究和大數(shù)據(jù)分析提供豐富的數(shù)據(jù)資源。此外，隨著醫(yī)學影像AI行業(yè)標準的制定，將促進更多AI 產(chǎn)品轉(zhuǎn)化落地，有望改善常規(guī)診療模式，加快診療進程。

4 小結(jié)

AI 及人所不能及，在血栓栓塞性疾病的風險評估、輔助診斷、藥理研究、藥物研發(fā)中帶來了全新的視角。AI 的智慧從不在于如何超越人類，不管是人還是機器，都是在自我提升和相互學習中成長。面對方興未艾的前景和史無前例的挑戰(zhàn)，我們應理性認識、正確面對。ChatGPT 是人工智能領(lǐng)域的里程碑事件，其出現(xiàn)標志著人工智能從理解數(shù)據(jù)到生成數(shù)據(jù)的轉(zhuǎn)變，實現(xiàn)了從機器感知到機器創(chuàng)造的飛躍。相信，在ChatGPT的推動下，人工智能技術(shù)在醫(yī)學領(lǐng)域中將得到更加廣泛的應用，我們也一定能夠不斷地將人工智能技術(shù)新進展應用到血栓診療等醫(yī)療衛(wèi)生領(lǐng)域，不斷譜寫醫(yī)療科技發(fā)展新篇章。

作者貢獻聲明徐艷華負責文獻檢索及全文撰寫；張玉泉負責審校

利益沖突所有作者均聲明不存在利益沖突