鐘 露 曹 省

瓣膜性心臟?。╲alvular heart disease，VHD）是臨床常見的生理性或病理性異常。隨著我國(guó)人口老齡化程度加劇，VHD患者數(shù)量進(jìn)一步增加，2021年國(guó)家心血管疾病臨床醫(yī)學(xué)研究中心調(diào)查［1］顯示我國(guó)VHD 患病率約3.8%，目前約有2500 萬(wàn)VHD 患者，其中二尖瓣反流（mitral regurgitation，MR）約占29%。超聲心動(dòng)圖具有操作便捷、價(jià)格低廉、應(yīng)用范圍廣、無(wú)創(chuàng)、無(wú)輻射的優(yōu)勢(shì)，是診斷MR的首選影像學(xué)檢查方法，且在近期開展的經(jīng)導(dǎo)管二尖瓣緣對(duì)緣修復(fù)術(shù)（transcatheter edge-to-edge repair，TEER）中具有重要作用，但在臨床診斷中存在超聲切面多、分析難度大、隨心動(dòng)周期穩(wěn)定性和重復(fù)性欠佳等不足。在信息網(wǎng)絡(luò)時(shí)代，人工智能（artificial intelligence，AI）迅速發(fā)展，其在超聲領(lǐng)域中的應(yīng)用有望提高超聲醫(yī)師的工作效率及診斷準(zhǔn)確性。精準(zhǔn)診療是以個(gè)體化醫(yī)療為基礎(chǔ)，將現(xiàn)代科技手段與傳統(tǒng)醫(yī)學(xué)方法相結(jié)合，可實(shí)現(xiàn)疾病的早期診斷、精準(zhǔn)分類、優(yōu)化治療策略，且AI可賦能精準(zhǔn)診療，實(shí)現(xiàn)醫(yī)療全流程的信息化和智能化。為進(jìn)一步促進(jìn)MR規(guī)范化診療，本文就AI在MR診斷、治療及預(yù)后隨訪中的應(yīng)用進(jìn)展進(jìn)行綜述。

一、AI概述

AI是計(jì)算機(jī)科學(xué)的一個(gè)分支，作為一門多學(xué)科相互融合的交叉學(xué)科，AI可以模擬、擴(kuò)展人腦思維過(guò)程，從而使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。機(jī)器學(xué)習(xí)是AI的重要組成部分之一，通過(guò)學(xué)習(xí)、分析訓(xùn)練數(shù)據(jù)，從中尋找規(guī)律，構(gòu)建算法框架，以實(shí)現(xiàn)對(duì)數(shù)據(jù)的分析和預(yù)測(cè)。深度學(xué)習(xí)是從機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)發(fā)展出來(lái)的新領(lǐng)域，其通過(guò)模仿人腦機(jī)制來(lái)分析數(shù)據(jù)，具有廣闊的應(yīng)用前景。其中，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型已廣泛應(yīng)用于圖像分類、組織分割、目標(biāo)檢測(cè)、姿態(tài)估計(jì)和人臉識(shí)別等領(lǐng)域。

AI 與超聲心動(dòng)圖結(jié)合可以輔助超聲醫(yī)師實(shí)現(xiàn)診斷的快速化、準(zhǔn)確化，有利于早期診斷疾病、改善患者預(yù)后。AI在心臟瓣膜評(píng)估方面主要應(yīng)用于觀察瓣膜形態(tài)、確定反流或狹窄情況，從而為臨床診療提供可靠的支持信息，具有獨(dú)特的優(yōu)勢(shì)及廣闊的應(yīng)用前景。

二、AI在MR診斷、病因?qū)W分類及嚴(yán)重程度評(píng)估中的應(yīng)用

1.AI在MR診斷中的應(yīng)用

超聲心動(dòng)圖解剖結(jié)構(gòu)的識(shí)別與分割是AI 用于MR 超聲診斷的基礎(chǔ)。在超聲心動(dòng)圖的診斷過(guò)程中，需要獲取多個(gè)標(biāo)準(zhǔn)化切面，但由于切面間的相似性、切面內(nèi)的可變性及噪聲的影響，對(duì)于經(jīng)驗(yàn)不足的超聲醫(yī)師而言，準(zhǔn)確識(shí)別不同切面存在一定困難?；诖?，?stvik 等［2］收集了470 例MR 患者的二維超聲心動(dòng)圖資料，應(yīng)用CNN 建立分類模型，同時(shí)收集60例患者的三維超聲心動(dòng)圖資料用于訓(xùn)練模型，發(fā)現(xiàn)該分類模型可預(yù)測(cè)多達(dá)7 種不同的心臟切面，且準(zhǔn)確率達(dá)98%。另外，來(lái)自加利福尼亞大學(xué)舊金山分校的研究團(tuán)隊(duì)［3］從臨床數(shù)據(jù)庫(kù)中隨機(jī)收集了267例不同疾病患者共267 幅超聲心動(dòng)圖圖像，使用深度學(xué)習(xí)的方法對(duì)靜態(tài)和動(dòng)態(tài)原始圖像進(jìn)行分類并標(biāo)記，將15個(gè)標(biāo)準(zhǔn)切面作為分類標(biāo)準(zhǔn)，構(gòu)建自動(dòng)切面識(shí)別模型，發(fā)現(xiàn)該模型的識(shí)別準(zhǔn)確率達(dá)97.8%，而超聲醫(yī)師的識(shí)別準(zhǔn)確率僅70.2%～83.5%。近期研究［4］表明，CNN 在聲學(xué)造影切面識(shí)別中表現(xiàn)良好，原因可能為AI能較好地識(shí)別并分割聲學(xué)造影圖像。

左心室分割在心腔自動(dòng)分割中最常見，可實(shí)現(xiàn)射血分?jǐn)?shù)的精準(zhǔn)測(cè)量和心肌運(yùn)動(dòng)的準(zhǔn)確評(píng)估。左心室自動(dòng)分割有助于超聲醫(yī)師了解心腔形態(tài)和功能的變化，對(duì)臨床診斷MR 具有重要意義。傳統(tǒng)的左心室分割方法主要為邊緣檢測(cè)法和傳統(tǒng)機(jī)器學(xué)習(xí)中使用的模型匹配法，此外，還有新興的基于多尺度信息特征提取的CNN用于嬰兒左心室輪廓分析、經(jīng)食管超聲心動(dòng)圖的多腔室自動(dòng)分割等［5-6］。MR 的精準(zhǔn)診斷依賴于標(biāo)準(zhǔn)的超聲心動(dòng)圖切面，而AI 可以輔助超聲醫(yī)師獲取標(biāo)準(zhǔn)切面、觀察心腔變化，為MR 診療流程提供支撐。Vafaeezadeh 等［7］基于Carpentier 分型構(gòu)建了一種可解釋的、完全自動(dòng)化的深度學(xué)習(xí)模型，用于評(píng)估超聲心動(dòng)圖中的二尖瓣形態(tài)，其準(zhǔn)確率達(dá)80%。此外，該研究團(tuán)隊(duì)還提出了一種準(zhǔn)確識(shí)別人工二尖瓣的CNN算法，其受試者工作特征（ROC）曲線下面積（AUC）達(dá)0.97［8］。另有研究［9］顯示應(yīng)用基于MobileNet 圖像分類算法提出的深度學(xué)習(xí)模型定位二尖瓣的準(zhǔn)確率達(dá)98%。AI 除常規(guī)觀察二尖瓣形態(tài)外，還可以對(duì)較為復(fù)雜的解剖參數(shù)進(jìn)行輔助定量檢測(cè)。研究［10］顯示AI 可用于測(cè)量二尖瓣瓣環(huán)及瓣葉參數(shù)，包括瓣環(huán)總周長(zhǎng)、瓣環(huán)面積和高度、瓣葉面積、非平面角、脫垂高度、栓系高度和面積等，且測(cè)量結(jié)果信度高（α＞0.8）、重復(fù)性較好。為評(píng)估eSie Valve 自動(dòng)化軟件分析二尖瓣時(shí)的觀察者間變異性，有研究［11］回顧性分析了接受冠狀動(dòng)脈旁路移植手術(shù)患者的超聲心動(dòng)圖資料，結(jié)果顯示自動(dòng)化二尖瓣瓣環(huán)及瓣葉參數(shù)測(cè)量具有良好的重復(fù)性。為滿足臨床需求，AI 除需具備較高的診斷準(zhǔn)確率、良好的重復(fù)性外，其輔助診斷所用時(shí)間也應(yīng)少于人工診斷或建模方法。研究［12］報(bào)道在缺血性MR 患者經(jīng)食管三維超聲心動(dòng)圖檢查中應(yīng)用AI技術(shù)自動(dòng)分割左心室和二尖瓣，然后進(jìn)行建模指導(dǎo)MR 外科手術(shù)決策時(shí)，左心室建模約需8 h，二尖瓣建模約需2 h，一定程度上限制了其臨床應(yīng)用。總之，使用AI分析二尖瓣解剖結(jié)構(gòu)可提高分析結(jié)果的準(zhǔn)確性，減少人為誤差，并可能輔助臨床決策，具有較好的應(yīng)用價(jià)值。

2.AI在MR病因?qū)W分類中的應(yīng)用

根據(jù)二尖瓣瓣葉反流的病因可將MR 分為器質(zhì)性MR（degenerative mitral regurgitation，DMR）、功能性MR（functional mitral regurgitation，F(xiàn)MR）及混合性MR。Aquila 等［13］使用eSie Valves 自動(dòng)化軟件驗(yàn)證其分析FMR 和DMR 患者二尖瓣環(huán)動(dòng)力學(xué)的可行性，與正常對(duì)照組比較，該軟件測(cè)得中度FMR 患者收縮期和舒張期二尖瓣環(huán)尺寸增大，DMR患者收縮期二尖瓣環(huán)尺寸減小，差異均有統(tǒng)計(jì)學(xué)意義（均P＜0.05），表明eSie Valves 自動(dòng)化軟件可以較好地識(shí)別不同病因MR 患者的病理生理改變，并可用于選擇MR 修復(fù)或替換的裝置。提示AI 能準(zhǔn)確識(shí)別不同病因MR 患者的二尖瓣葉裝置形態(tài)結(jié)構(gòu)和動(dòng)力學(xué)異常，可輔助判定MR病因，具有積極意義。

3.AI在MR嚴(yán)重程度分級(jí)中的應(yīng)用

研究［14］發(fā)現(xiàn)，隨著有效反流口面積、反流容積、反流分?jǐn)?shù)及縮流頸寬度的增加，F(xiàn)MR 患者的死亡率也顯著增加。因此，準(zhǔn)確評(píng)估MR 嚴(yán)重程度對(duì)改善患者預(yù)后至關(guān)重要。有研究［15］使用CNN 算法評(píng)估MR 嚴(yán)重程度，Ⅰ～Ⅳ級(jí)的分類準(zhǔn)確率分別為90%、87%、81%和91%。另外，基于二維圖像的自我監(jiān)督學(xué)習(xí)算法在評(píng)估MR 嚴(yán)重程度分級(jí)方面也有較高的敏感性，該算法可自動(dòng)識(shí)別反流面積最大的一幀圖像，并生成相關(guān)參數(shù)用于評(píng)估MR 嚴(yán)重程度，消除了臨床實(shí)踐中人工判定的可變性［16］。Yang 等［17］研究引入了新的圖像描述符用于更好地捕捉圖像特征，其檢測(cè)正常成人及輕、中、重度MR 患者的準(zhǔn)確率分別為99.52%、99.38%、99.31%和99.59%。另有研究［18］表明深度學(xué)習(xí)算法可分割彩色多普勒視頻中的關(guān)鍵幀，量化與MR 嚴(yán)重程度分級(jí)的關(guān)鍵參數(shù)——反流束面積與左房面積比值，其評(píng)估MR嚴(yán)重程度的能力與高年資超聲醫(yī)師相當(dāng)。通常情況下，對(duì)MR的嚴(yán)重程度進(jìn)行分級(jí)需要結(jié)合多參數(shù)綜合評(píng)估，因此，納入MR嚴(yán)重程度分級(jí)的所有參數(shù)是今后AI研究的一個(gè)重要方向。

近端等速表面積法（proximal isovelocity surface area，PISA）是定量評(píng)估MR 反流程度的重要方法。三維PISA 法不依賴幾何學(xué)及流體力學(xué)假設(shè)，其利用三維技術(shù)重建整個(gè)等速面，可準(zhǔn)確評(píng)估MR嚴(yán)重程度，且較二維PISA更準(zhǔn)確。當(dāng)存在多股或偏心性射流等復(fù)雜MR 時(shí)，三維PISA 與心臟MRI測(cè)量反流容積的組內(nèi)相關(guān)系數(shù)（ICC）為0.86，優(yōu)于二維經(jīng)胸超聲心動(dòng)圖PISA（ICC=0.66）或經(jīng)食管超聲心動(dòng)圖PISA（ICC=0.69）［19］，表明三維PISA 評(píng)估復(fù)雜MR 的準(zhǔn)確性更高。建議有條件的醫(yī)療機(jī)構(gòu)可使用三維超聲成像模式定量檢測(cè)MR，并結(jié)合AI 進(jìn)行更準(zhǔn)確的評(píng)估。

三、AI在MR治療及預(yù)后隨訪中的應(yīng)用

1.AI在MR治療中的應(yīng)用

MR 的治療方案主要包括藥物治療、經(jīng)導(dǎo)管介入治療、外科手術(shù)瓣膜置換術(shù)或修復(fù)術(shù)。Zweck 等［20］研究報(bào)道了基于機(jī)器學(xué)習(xí)模型的新評(píng)分（MITRALITY）用于預(yù)測(cè)TEER 介入術(shù)后1年的死亡率，該評(píng)分的AUC 為0.783，高于同一驗(yàn)證隊(duì)列的兩種傳統(tǒng)評(píng)分（AUC=0.721、0.657）。一項(xiàng)基于二尖瓣幾何結(jié)構(gòu)的AI模型研究［21］證實(shí)TEER 介入治療時(shí)MitraClip 的位置和數(shù)量對(duì)療效及預(yù)后有一定影響，二尖瓣瓣口面積減少的程度隨MitraClip數(shù)量的增多而遞增，由于每一患者二尖瓣幾何形狀均不同，因此根據(jù)患者個(gè)體參數(shù)確定最佳MitraClip 方案是臨床成功治療的關(guān)鍵。此外，AI 有助于評(píng)估TEER 介入術(shù)后左室逆重構(gòu)（left ventricular reverse remodeling，LVRR）的程度和預(yù)測(cè)因素，復(fù)發(fā)/殘留MR、男性和左室射血分?jǐn)?shù)（LVEF）＜20%均是MitraClip 術(shù)后12 個(gè)月內(nèi)LVRR 缺失的獨(dú)立預(yù)測(cè)因素［22］。Jiang 等［23］研究報(bào)道使用基于圍手術(shù)期變量的機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測(cè)二尖瓣置換、二尖瓣成形和三尖瓣成形術(shù)后嚴(yán)重并發(fā)癥（心肌梗死、卒中、腎衰竭和院內(nèi)死亡）的模型，可以指導(dǎo)臨床醫(yī)師采取適當(dāng)?shù)念A(yù)防措施，減少高危患者并發(fā)癥的發(fā)生風(fēng)險(xiǎn)?；跈C(jī)器學(xué)習(xí)的模型也可以預(yù)測(cè)二尖瓣修復(fù)術(shù)的成功率和MR 復(fù)發(fā)的因素，有助于臨床醫(yī)師更好地選擇適宜行二尖瓣修復(fù)術(shù)的患者［24］。

2.AI在MR預(yù)后隨訪中的應(yīng)用

在評(píng)估MR患者預(yù)后中，左室收縮末期容積（LVESV）降低≥10%或LVEF 增加≥10%即可判定MR 患者治療成功［25］，因此準(zhǔn)確測(cè)量左室容積和LVEF 尤為重要。Liu 等［26］通過(guò)訓(xùn)練U-Net算法識(shí)別二維超聲心動(dòng)圖數(shù)據(jù)并建立全自動(dòng)深度學(xué)習(xí)模型，該研究納入來(lái)自3個(gè)數(shù)據(jù)集的340例患者共36 890幅二維超聲心動(dòng)圖圖像，包括肥厚型心疾病、擴(kuò)張型心肌病和心房顫動(dòng)患者，結(jié)果表明U-Net 算法能精準(zhǔn)識(shí)別不同疾病狀態(tài)下的心內(nèi)膜邊界并準(zhǔn)確分割，繼而基于雙平面Simpson 法計(jì)算得出更高精度的LVEF。表明當(dāng)MR 患者心臟解剖結(jié)構(gòu)或節(jié)律改變時(shí)，AI 可準(zhǔn)確評(píng)估LVEF，具有重要臨床價(jià)值。AI 還可準(zhǔn)確評(píng)估兒童LVEF，研究［27］發(fā)現(xiàn)即使僅有一個(gè)切面可供測(cè)量LVEF，AI 模型仍能準(zhǔn)確分割左心室并估算LVEF，因此，當(dāng)兒童超聲心動(dòng)圖像采集受限時(shí)，AI可為超聲醫(yī)師提供一定幫助。

臨床工作中，超聲醫(yī)師常使用視覺估計(jì)評(píng)估LVEF，但受經(jīng)驗(yàn)影響可能存在較大的觀察者間差異，AI有望實(shí)現(xiàn)視覺評(píng)估的標(biāo)準(zhǔn)化。Asch 等［28］開發(fā)了一種全新的機(jī)器學(xué)習(xí)模型模擬超聲醫(yī)師在心尖兩腔心及四腔心切面視覺評(píng)估LVEF，無(wú)需描記心內(nèi)膜邊界和計(jì)算收縮末期、舒張末期容積，僅需1～5 s即可獲得LVEF，且測(cè)值與高年資超聲醫(yī)師使用雙平面Simpson 法測(cè)得的LVEF 相關(guān)性和一致性均較高，表明AI 視覺測(cè)量LVEF 可靠性較高。雖然該模型使用方便、快捷，但在急診、重癥等需要使用床旁超聲的環(huán)境中，超聲醫(yī)師常選擇更易獲得的心尖四腔心切面和胸骨旁左室長(zhǎng)軸切面來(lái)估測(cè)LVEF。因此，經(jīng)改進(jìn)后的AI模型可于心尖兩腔心、四腔心及胸骨旁左室長(zhǎng)軸切面的任一種或多種切面自動(dòng)估算LVEF［29］。隨著床旁超聲使用需求增多，AI可輔助超聲醫(yī)師快速、準(zhǔn)確地測(cè)量LVEF，對(duì)于經(jīng)驗(yàn)不足的超聲醫(yī)師，其使用AI 自動(dòng)測(cè)量的準(zhǔn)確性也較高，具有廣闊的應(yīng)用前景。

既往評(píng)價(jià)心臟收縮功能的深度學(xué)習(xí)方法多在靜態(tài)圖像基礎(chǔ)上進(jìn)行，且描記靜態(tài)圖像與動(dòng)態(tài)追蹤存在本質(zhì)差別，Ouyang等［30］研究應(yīng)用深度學(xué)習(xí)的方法對(duì)10 030 例患者心尖四腔心切面動(dòng)態(tài)圖像進(jìn)行智能化分析，結(jié)果顯示該模型可識(shí)別LVEF 的微小變化，與人工描記結(jié)果相關(guān)性好且重復(fù)性更高，為精準(zhǔn)、實(shí)時(shí)診斷心血管疾病奠定了基礎(chǔ)。表明應(yīng)用AI 自動(dòng)定量檢測(cè)LVEF 和左室容積可以簡(jiǎn)化、標(biāo)準(zhǔn)化MR 的診療流程，為評(píng)估MR 預(yù)后提供準(zhǔn)確、快速、可重復(fù)的超聲參數(shù)。另外，根據(jù)專家共識(shí)［31］，輕度及中度MR 患者建議每1～2年定期隨訪復(fù)查，結(jié)合AI 判斷MR 嚴(yán)重程度的變化可為病情進(jìn)展提供精準(zhǔn)建議；而對(duì)中重度或重度MR 患者而言，無(wú)論是FMR 在血運(yùn)重建術(shù)后或藥物治療后隨訪反流變化，還是DMR 在瓣膜修復(fù)術(shù)后評(píng)估殘余反流、左室大小及收縮功能，AI均具有巨大潛能。

四、總結(jié)與展望

總之，AI 與超聲心動(dòng)圖的結(jié)合在MR 診斷、治療及預(yù)后隨訪中均顯現(xiàn)出獨(dú)特的應(yīng)用價(jià)值。在圖像識(shí)別與切面分割的基礎(chǔ)上，AI 可以輔助超聲心動(dòng)圖評(píng)估MR 病因及嚴(yán)重程度，有助于臨床醫(yī)師合理選擇治療方式及客觀評(píng)估患者預(yù)后。但由于AI 獲得的數(shù)據(jù)量大、數(shù)據(jù)類型復(fù)雜，不同超聲儀器或測(cè)量參數(shù)下采集的圖像數(shù)據(jù)也存在差異，數(shù)據(jù)處理及分析存在一定困難。此外，心臟的活動(dòng)頻率及圖像的變化速度均高于其他部位，這也對(duì)AI 與超聲心動(dòng)圖的結(jié)合提出了挑戰(zhàn)。同時(shí)，信息安全隱患及AI模型的兼容性同樣值得關(guān)注，隨著一系列法律及監(jiān)管措施的出臺(tái)及完善，超聲醫(yī)學(xué)與AI 融合的規(guī)范性得到了保障，超聲醫(yī)師應(yīng)正確處理自身與AI 之間的關(guān)系，發(fā)展高質(zhì)量超聲醫(yī)學(xué)AI診斷系統(tǒng)，促進(jìn)超聲醫(yī)學(xué)未來(lái)發(fā)展。