黃立臻 ,胡志鵬

人工智能(AI)是模仿人類的思維過程、學習能力并賦予計算機執(zhí)行認知功能的方法[1],核心包括機器學習(ML)、深度學習(DL)、自然語言處理(NLP)和機器人技術(shù)等。早在20世紀50年代達特茅斯會議上就正式提出AI的概念[2],但迫于時代背景下數(shù)據(jù)量及計算機硬件設(shè)施的不足,導(dǎo)致其發(fā)展緩慢。隨著21世紀數(shù)據(jù)量的不斷擴充,計算機基礎(chǔ)設(shè)施的完善以及計算能力的進步,使得諸多AI技術(shù)得以實現(xiàn)并在各個領(lǐng)域嶄露頭角。在2016年初,AlphaGo Lee 戰(zhàn)勝了圍棋冠軍李世石[3],從此AI技術(shù)正式進入公眾視野。醫(yī)學早期的應(yīng)用主要是嘗試使用計算機輔助程序協(xié)助某些疾病診斷,如治療細菌感染性疾病的咨詢系統(tǒng)問世[4],大幅度提升了臨床醫(yī)生的診治能力和效率。

近年來,AI在醫(yī)療領(lǐng)域的研究和開發(fā)已延伸至醫(yī)學?？?。其應(yīng)用大多處于轉(zhuǎn)化研究階段,在臨床實踐中也只有少數(shù)應(yīng)用得到了實施,血管外科亦是如此。中國的血管外科起步較晚,在過去的20年里發(fā)展較為迅速,目前的診療水平已達到新的高度。血管疾病在很大程度上依賴于腔內(nèi)治療,但對疾病的診斷和治療水平參差不齊。AI恰好可以協(xié)助醫(yī)生對患者規(guī)范化、個體化治療,尤其在分析數(shù)據(jù)、輔助診療、風險分層和結(jié)果預(yù)測等方面的能力甚至超過了外科醫(yī)生,并已被證明對患者的治療和結(jié)果有益[5]。本文將簡要介紹AI的概況和基本認識,并總結(jié)目前AI在血管外科中的臨床應(yīng)用。

1 基于結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的ML疾病預(yù)測

1.1 ML的定義與分類 ML作為AI的一個重要分支,能夠從患者現(xiàn)有的醫(yī)療相關(guān)數(shù)據(jù)或隨訪得到的數(shù)據(jù)運用不同的算法進行數(shù)據(jù)解析,并以此為基礎(chǔ)構(gòu)建模型從而預(yù)測疾病、診斷疾病以及評估疾病預(yù)后。按照其是否標記數(shù)據(jù)分為有監(jiān)督學習和無監(jiān)督學習,有監(jiān)督學習是通過帶有人為分類標簽的數(shù)據(jù)進行模型訓(xùn)練,并將訓(xùn)練好的模型用來預(yù)測新數(shù)據(jù)的方法[6];無監(jiān)督學習是用于處理不具有分類標簽的數(shù)據(jù),自主尋求數(shù)據(jù)間的內(nèi)在關(guān)聯(lián),發(fā)現(xiàn)樣本數(shù)據(jù)潛在結(jié)構(gòu)特征的方法[6]。

1.2 ML在血管疾病預(yù)測中的應(yīng)用 血管疾病涉及全身各部位的動脈、靜脈和淋巴系統(tǒng)。由于我國吸煙人口和代謝性疾病患者的增加,血管疾病的患病率也在逐年上升?！吨袊难芙】蹬c疾病報告2022》推算出我國心血管病現(xiàn)患病人數(shù)約3.30億,其中僅外周動脈疾病約4530萬,這些令人擔憂的數(shù)字也反映在其他血管疾病上,如主動脈瘤、夾層等[7]。

目前ML在血管疾病方面應(yīng)用最多的是輔助診療。Naushad等[8]收集了364例患有冠狀動脈疾病的患者和284例健康受試者,采用集成算法、多因子降維法和遞歸分區(qū)法開發(fā)了一種冠狀動脈疾病早期預(yù)測工具,用于冠心病的發(fā)生預(yù)測和狹窄預(yù)測,其在臨床中的應(yīng)用降低了患者血管不良事件的發(fā)生。急性主動脈夾層起病急、進展快、死亡率高,患者通常在手術(shù)后轉(zhuǎn)入重癥監(jiān)護病房(ICU)過渡。Chen等[9]選取353例急性A型主動脈夾層術(shù)后轉(zhuǎn)入ICU的患者,隨機分為訓(xùn)練集(70%)和驗證集(30%),并采用樸素貝葉斯、線性回歸、決策樹、隨機森林和梯度增強決策樹等5種ML算法,對急性A型主動脈夾層患者ICU住院時間進行了預(yù)測,其模型效能用曲線下面積(AUC)評估,以隨機森林算法最佳(AUC值為0.991),實現(xiàn)了對患者個體化、精準化的治療;并確定了11項重要預(yù)測指標,分別為空腹血糖、D -二聚體、肌酐、乳酸脫氫酶、心肺轉(zhuǎn)流時間、血小板計數(shù)、手術(shù)時間、主動脈阻斷時間、有無馬凡綜合征、無主動脈瘤、白細胞計數(shù)。在應(yīng)對因醫(yī)療不及時、疾病預(yù)防不到位以及基層醫(yī)院醫(yī)療設(shè)備不夠完善而導(dǎo)致疾病嚴重化等方面,ML憑借豐富的算法,彌補了該領(lǐng)域的缺陷。如D′Ascenzo等[10]使用樸素貝葉斯、自適應(yīng)提升、隨機森林和K近鄰等4種ML算法,對19826例急性冠脈綜合征患者遠期療效進行分級,并做出了高危因素排序,對臨床診療極具指導(dǎo)價值。

基于ML構(gòu)建血管疾病預(yù)測模型,有效地輔助臨床醫(yī)師監(jiān)測血管疾病,做到早發(fā)現(xiàn)、早治療。但綜合而言,在針對血管疾病方面仍處于初級階段,其準確率有限,ML需進一步利用各種算法,將臨床數(shù)據(jù)和醫(yī)學圖像信息相結(jié)合,構(gòu)建多模態(tài)診斷模型,其應(yīng)用前景值得關(guān)注。

2 基于醫(yī)學影像的DL輔助閱片

2.1 DL的定義 DL是利用深度神經(jīng)網(wǎng)絡(luò)進行特征學習和表達的一種學習過程,其設(shè)計理念來源于人類大腦神經(jīng)元的結(jié)構(gòu)[11],目的在于建立模擬人腦機制進行分析學習的神經(jīng)網(wǎng)絡(luò),以此來識別數(shù)據(jù),如圖像、文本和聲音等。

2.2 DL在血管影像中的應(yīng)用 基于醫(yī)學影像的DL輔助閱片在目前AI醫(yī)療發(fā)展體系中占據(jù)主導(dǎo)地位。診治血管外科疾病高度依賴影像學檢查,對圖像的解讀也存在主觀差異,DL的輔助診斷技術(shù)可利用高質(zhì)量、多模態(tài)的血管影像數(shù)據(jù)實現(xiàn)血管圖像自動化解讀。比如,基于DL的計算機斷層掃描血管造影(CTA)、磁共振血管造影(MRA)、血管內(nèi)超聲(IVUS)和數(shù)字減影血管造影(DSA)等對血管疾病的自主識別與診斷、動脈瘤發(fā)生發(fā)展的自主評估、血流動力學和形態(tài)學參數(shù)的自動化計算、動脈瘤腔內(nèi)修復(fù)術(shù)后并發(fā)癥的自主預(yù)測。

在動脈瘤檢出方面,Shiz等[12]提出了基于CTA圖像的動脈瘤檢測模型DAResUNet,該模型以DSA影像作為動脈瘤診斷的金標準,采用多個卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)設(shè)計進行拼接,通過多個臨床對比實驗,驗證數(shù)據(jù)集敏感性為0.85,模型敏感性甚至高達0.97。而Allison等[13]則采用611個CTA圖像,研發(fā)了動脈瘤檢測模型HeadXNet,且在本研究中同時發(fā)現(xiàn)擁有HeadXNet動脈瘤輔助診斷系統(tǒng)的臨床醫(yī)生,在診斷動脈瘤的時間、準確率等方面要明顯高于沒有HeadXNet輔助的臨床醫(yī)生。Lareyre等[14]研發(fā)了一種自動化分析系統(tǒng),該軟件導(dǎo)入CTA圖像可自動快速、可靠的檢測并分析血管,包括對血栓和鈣化的評估。這些數(shù)據(jù)被用于改進手術(shù)方案、支架選擇,現(xiàn)已成為腹主動脈瘤診斷和治療的重要工具。Jin等[15]收集了505例患者的127763張CTA圖像,建立了利用CNN對冠狀動脈進行分割并提取特征,同樣實現(xiàn)了自動對冠狀動脈斑塊類型及狹窄程度的評估,表現(xiàn)良好。再如Han等[16]以冠狀動脈造影作為診斷標準,收集冠狀動脈CTA影像,基于DL對冠狀動脈狹窄進行評估,其模型曲線下面積值為0.870,而傳統(tǒng)模型的僅有0.781,可見其診斷準確度明顯優(yōu)于傳統(tǒng)CTA閱片。

MRA作為一種無創(chuàng)、無輻射的血管成像技術(shù)已得到臨床醫(yī)生認可并廣泛應(yīng)用于檢測頸部和腦部動靜脈血管成像,DL的加入使其更加智能化。Daiju等[17]提出了基于MRA圖像的AneuDec模型,可以自主分析血管解剖和結(jié)構(gòu),以及是否存在狹窄閉塞或血管畸形,其模型效能在內(nèi)部和外部驗證集上分別有0.91和0.93的敏感性,很大程度上預(yù)知了血管疾病的發(fā)生發(fā)展,降低了患者醫(yī)療成本,對血管疾病防控也具有重要意義。

以IVUS為代表的血管內(nèi)影像學檢測技術(shù)是利用超聲原理探測血管內(nèi)外及其鄰近組織,實時、高清地顯示血管橫截面形態(tài)學和組織學特性的方法。DL的輔助使IVUS更能準確地測量不同成像參數(shù),如真實血管直徑、壁厚、長度、形狀,病變在管腔內(nèi)的位置,病變類型,辨認血栓及體積評估等[5,18]。Hwang[19-20]等利用DL中紋理特征將IVUS圖像中的病變區(qū)域精確劃分為纖維組織、纖維脂肪組織、壞死核和致密鈣。而Sanz-Requena等[20]使用DL中活動輪廓模型提取出IVUS中的管腔輪廓后,基于灰度直方圖統(tǒng)計法區(qū)分了斑塊、內(nèi)膜和管腔,使IVUS迎來了一個全新的時代。

DSA是傳統(tǒng)血管造影與電子計算機結(jié)合的影像技術(shù),是目前用于血管腔內(nèi)介入治療成像的“金標準”[21]。DSA圖像質(zhì)量容易受噪聲、運動偽影及輻射劑量的影響[22]。隨著密集網(wǎng)絡(luò)學習、殘差學習、批處理歸一化等模塊的出現(xiàn),DL在降低圖像噪聲方面展現(xiàn)出巨大的潛力[23]。Zhang K等[24]通過加深網(wǎng)絡(luò)結(jié)構(gòu)、學習算法及正則化等方式,建立了一種降噪CNN模型,該模型能夠降低多種常見的圖像噪聲,為DL在降低圖像噪聲、提升圖像質(zhì)量等方面奠定了基礎(chǔ)。Luo Y等[25]研發(fā)了一種基于CNN的低劑量X射線圖像去噪框架,即超密集降噪網(wǎng)絡(luò)模型,以此降低DSA圖像噪聲和偽影。該網(wǎng)絡(luò)每個超密集模塊之間參數(shù)共享,通過各個殘差塊內(nèi)多路徑神經(jīng)單元之間的相關(guān)性,提升信息交互和局部特征提取效率,從而達到目的。經(jīng)過研究顯示,與降噪CNN模型相比,超密集降噪網(wǎng)絡(luò)模型在DSA圖像優(yōu)化方面具有更高的峰值信噪比,抗噪聲性能更佳。

目前,DL在DSA圖像自主識別領(lǐng)域的研究進展緩慢,應(yīng)用也集中于降低圖像噪聲和去除偽影等方面。分析其主要原因在于DSA圖像的不確定性,其一,在手術(shù)過程中DSA圖像常出現(xiàn)額外顯影,給圖像標注增添了一定的難度;其二,基于DL的輔助閱片模型雖然能夠顯著提高診療效率,但也同時需要大量訓(xùn)練數(shù)據(jù)集的支撐,大多數(shù)醫(yī)院DSA圖像存檔數(shù)量相對較少,遠不足以支撐AI的應(yīng)用與研發(fā)。

在未來幾年,DL的輔助閱片有望幫助血管外科醫(yī)生提前決策手術(shù)方案,快速判斷腔內(nèi)介入治療是否可行、支架的優(yōu)化選擇以及術(shù)后可能并發(fā)癥等的干預(yù),促進AI與血管外科的優(yōu)勢互補和智能交互。

3 基于NLP的電子病歷系統(tǒng)

3.1 NLP的定義 NLP是AI領(lǐng)域的另一個重要方向,致力于如何處理及運用自然語言。主要有認知、理解、生成等部分組成,認知和理解旨在讓計算機從文本數(shù)據(jù)中提取信息轉(zhuǎn)化成特殊符號和關(guān)系,然后根據(jù)不同目的進行處理;生成則是把計算機數(shù)據(jù)轉(zhuǎn)化為自然語言[26],以執(zhí)行自動翻譯、文本分類和情感分析等。

3.2 NLP在電子病歷中的應(yīng)用 電子病歷是患者在醫(yī)院就診治療的實時記錄,涉及病人基本信息、醫(yī)學影像學檢查結(jié)果、實驗室檢測指標、初步診斷、醫(yī)囑、手術(shù)記錄和護理記錄等。其在臨床中的應(yīng)用取代了手寫紙張病歷,在提高醫(yī)療質(zhì)量的同時大幅度提升了醫(yī)生的工作效率。

Bian等[27]基于NLP對出院患者進行隨訪研究,通過模擬自然語言對患者進行隨訪,分析處理患者反饋的信息,并利用系統(tǒng)自動轉(zhuǎn)換為文本數(shù)據(jù)供臨床醫(yī)生參考。Woller等[28]提出了一種NLP結(jié)合電子病歷數(shù)據(jù)和疾病背景下識別靜脈血栓栓塞癥的方法,以降低患者住院期間發(fā)生該類疾病的概率。在NLP生成方面,Lve等[29]通過Transformer文本生成模型改寫患者的出院小結(jié),通過內(nèi)在評價和外在評價評估這套文本生成方法的性能,以確?；贜LP生成的文本和目標文本的流暢性、內(nèi)部關(guān)聯(lián)性、正確性?；贜LP的電子病歷數(shù)據(jù)加工形成預(yù)測模型,不但能使大量的數(shù)據(jù)資源得到再次利用,還有望減輕臨床醫(yī)生的工作負擔。

整體而言,NLP技術(shù)在電子病歷領(lǐng)域具有較為良好的應(yīng)用與發(fā)展前景,但仍面臨著一定的挑戰(zhàn),攻克的難點主要為患者表達方式、自然語言表達過程中歧義和模糊內(nèi)容的界定、自然語言進行思想情感與思想內(nèi)涵的表達過程當中表達主體所處的環(huán)境和狀態(tài)以及適應(yīng)患者口語化表達過程中不規(guī)范內(nèi)容的校正與審核[30]。因此,未來需要深化NLP的研究和應(yīng)用,推進NLP的臨床轉(zhuǎn)化,早日為臨床醫(yī)生服務(wù)。

4 基于AI技術(shù)的機器人系統(tǒng)

血管外科介入傳統(tǒng)手術(shù)是在DSA圖像的引導(dǎo)下,操縱導(dǎo)絲到達病灶位置,以此達到溶解血栓、栓塞擴張狹窄血管等目的。然而,傳統(tǒng)介入手術(shù)存在一定的局限性,當介入導(dǎo)絲到達血管分叉位置時,要求較強的操作技巧,過程中往往出現(xiàn)路徑錯誤,需要反復(fù)推拉旋捻導(dǎo)絲,可能造成導(dǎo)絲反復(fù)擠壓血管管壁使其斑塊脫落,導(dǎo)致醫(yī)源性并發(fā)癥的發(fā)生。因此,AI輔助的機器人系統(tǒng)與介入手術(shù)的有機結(jié)合,是解決上述問題的關(guān)鍵。

現(xiàn)階段AI輔助的機器人系統(tǒng)主要分為腔鏡手術(shù)機器人系統(tǒng)和腔內(nèi)機器人導(dǎo)航系統(tǒng)。在血管外科領(lǐng)域,以達·芬奇為代表的腔鏡手術(shù)機器人系統(tǒng)主要應(yīng)用于血管吻合,并表現(xiàn)出顯著優(yōu)勢。Lin等[31]利用達·芬奇腔鏡手術(shù)機器人系統(tǒng)對主髂動脈閉塞癥和腹主動脈瘤患者的腹主動脈腎下段和髂動脈進行剝離,并進行血管吻合,術(shù)后隨訪該患者血管通暢良好。而Stádler[32]采用類似方法對患者病變血管進行重建,術(shù)中血管吻合順利,術(shù)后未出現(xiàn)手術(shù)相關(guān)并發(fā)癥。腔鏡手術(shù)機器人系統(tǒng)的應(yīng)用解決了傳統(tǒng)腹腔鏡手術(shù)難以操作的問題。在腔內(nèi)機器人導(dǎo)航系統(tǒng)方面,目前已研發(fā)出3種腔內(nèi)介入手術(shù)機器人系統(tǒng),即基于機電原理的機器人導(dǎo)航系統(tǒng)(RNS)、磁力機器人導(dǎo)航系統(tǒng)(MNS)[33]和超聲定位機器人導(dǎo)航系統(tǒng)(ULS)[34],其原理和工作機制各不相同。Iyengar等[35]利用MNS對下肢動脈硬化閉塞癥的患者進行介入治療,成功將導(dǎo)絲置于脛前、脛后動脈及腓動脈,并應(yīng)用球囊擴張重塑血管,DSA檢查及術(shù)后隨訪踝肱指數(shù)顯示血管通暢度明顯改善。再如Riga等[36-37]對一例腹主動脈擴張至5.9cm的患者基于RNS實施腔內(nèi)修復(fù)術(shù),常規(guī)腔內(nèi)植入主體支架后,RNS輔助定位對側(cè)髂支成功釋放,造影顯示支架對位良好,術(shù)后未出現(xiàn)并發(fā)癥。

機器人手術(shù)系統(tǒng)在血管外科的應(yīng)用才剛剛起步,雖然在血管吻合、旁路移植等方面,機器人導(dǎo)航系統(tǒng)具有易于操作、精準定位、縮短手術(shù)時間、減少醫(yī)療輻射劑量等明顯優(yōu)勢,但機器人系統(tǒng)的適應(yīng)證、禁忌證、手術(shù)策略、遠期療效,仍需大量臨床試驗加以明確[37]。