人工智能在經(jīng)皮冠狀動脈介入治療中的研究現(xiàn)狀和展望

楊靖 張英梅 葛均波

1977年Gruentzig教授［1］完成世界首例經(jīng)皮冠狀動脈腔內(nèi)成形術(shù)，標志著經(jīng)皮冠狀動脈介入治療（percutaneous coronary intervention，PCI）從此進入高速發(fā)展時期。四十多年來，從X線血管造影到腔內(nèi)影像學(xué)，從結(jié)構(gòu)評估到功能測定，新理念、新技術(shù)、新設(shè)備層出不窮，顯著改善了患者預(yù)后［2］。然而不斷更新的技術(shù)和設(shè)備也給介入醫(yī)師帶來了前所未有的挑戰(zhàn)。介入醫(yī)師要具備的不僅僅是嫻熟的操作技巧，更是高水平的診療決策能力。正確的決策往往需要綜合考慮患者的所有信息，而不斷更新擴大的知識量使介入醫(yī)師越來越不可能掌握所有技術(shù)手段和最新進展。這樣的情形在醫(yī)療資源匱乏的地區(qū)尤其突出。人工智能（artificial intelligence，AI）的應(yīng)用將極大解決這一矛盾。傳統(tǒng)意義上的“機器智能”指的是計算機執(zhí)行預(yù)先設(shè)定的規(guī)則代替部分人類工作，而通常所指的AI應(yīng)能讓計算機模擬人類的思維過程和智能行為。機器學(xué)習的出現(xiàn)，使得計算機擁有“學(xué)習”能力，即從原始數(shù)據(jù)中提取識別特征模式的能力。深度學(xué)習是機器學(xué)習中的一個嶄新領(lǐng)域，其目的在于建立模擬人腦進行分析學(xué)習的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機制來解釋數(shù)據(jù)［3］。經(jīng)過高質(zhì)量、大樣本數(shù)據(jù)訓(xùn)練而成的AI模型可在特定的任務(wù)中接近專家水平，從而解決專業(yè)人力短缺的問題，這一技術(shù)將對臨床實踐產(chǎn)生巨大影響。目前，AI在PCI中主要體現(xiàn)在智能影像分析、大數(shù)據(jù)研究、決策支持和手術(shù)機器人等方向。由于各個方向進展不一，并且限于篇幅，本文選擇發(fā)展相對成熟的應(yīng)用進行闡述。

1 AI應(yīng)用于PCI影像分析

對影像的解讀是PCI的第一步，也是最為關(guān)鍵的一步。目前影像解讀主要在操作者目測下進行，主觀性比較大。腔內(nèi)影像學(xué)常輔以半自動測量軟件，操作比較費時，而且對專業(yè)和經(jīng)驗的要求更高，所以自動化影像分析有望能解決這些問題。醫(yī)學(xué)影像數(shù)據(jù)相較于病歷文本、檢驗結(jié)果來說是最為標準的醫(yī)療數(shù)據(jù)，因此目前AI在醫(yī)療領(lǐng)域的應(yīng)用首先從圖像識別獲得進展。

1.1 冠狀動脈造影

冠狀動脈造影已經(jīng)成為冠心病診治的常規(guī)檢查項目，其所包含的信息非常豐富，除了不同投射角度的血管解剖形態(tài)和管腔狹窄程度，還有病變性質(zhì)，甚至血流速度和心肌灌注程度。冠狀動脈造影自動分析的研究起步最早，但難度要比CT等影像大很多。主要原因是影像采集時減少放射線而導(dǎo)致信噪比降低，還有心肺運動、毗鄰器官干擾及人為位移的影響。傳統(tǒng)的血管分割算法可分為模式識別技術(shù)、模型法和追蹤法三種類型，這些算法可以實現(xiàn)血管樹的自動識別、自動分割以及管腔直徑和狹窄程度的自動測量和計算［4-5］。近年來，新出現(xiàn)的基于深度學(xué)習的算法模型能將造影圖像準確區(qū)分為血管區(qū)域和背景區(qū)域［6］。但是很顯然，這些研究還停留在圖像識別算法的改進層面上，能識別的病變類型比較單一，因此還未達到臨床應(yīng)用的要求。并且，標準的定量冠狀動脈造影（quantitative coronary angiography，QCA）分析是在心臟舒張末期進行的，而上述基于單幀圖像測量管腔狹窄程度的方法顯然并不符合這一標準。2018年經(jīng)導(dǎo)管心血管治療（transcatheter cardiovascular therapeutics，TCT）會議報道了深度學(xué)習模型經(jīng)過訓(xùn)練后能在無心電圖時自動判定舒張末期的圖像［7］，這一進展為進行自動QCA奠定了基礎(chǔ)。在該次會議上阜外醫(yī)院徐波教授報告了冠狀動脈造影圖像自動分析算法的研究［8］。一方面，研究者將事先人工標注的血管樹數(shù)據(jù)用于深度學(xué)習，建立血管分割模型，模型與參考標準相比，準確度接近90%。另一方面，研究者建立了冠狀動脈造影病變?nèi)斯俗?shù)據(jù)庫，并利用深度學(xué)習算法訓(xùn)練病變分型模型。該數(shù)據(jù)庫包括12 159例鈣化、血栓、慢性完全閉塞、夾層等大多數(shù)病變類型的標注數(shù)據(jù)。該自動分析的算法能結(jié)合病變狹窄程度和病變性質(zhì)進行定量或定性分析，非常符合臨床實踐的思路；并且在血管分割算法和病變識別模型基礎(chǔ)上，能進一步計算SYNTAX評分及J-CTO評分等常用介入決策評分。毫無疑問，這是冠狀動脈造影自動分析模型開發(fā)進程中非常重要的進展。

1.2 血管內(nèi)超聲（intravascular ultrasound，IVUS）

準確分辨管腔-內(nèi)膜、中膜-外膜邊界是對IVUS圖像中動脈粥樣斑塊定量分析的關(guān)鍵步驟。近年來，有研究團隊利用機器學(xué)習算法已實現(xiàn)了對斑塊的自動識別、邊界的自動分割以及斑塊組分的分類［9-12］。除了定量分析，虛擬組織學(xué)IVUS較灰階IVUS能更準確地區(qū)分斑塊組分，確認高危斑塊特性，更好地預(yù)測臨床事件。美國愛荷華大學(xué)的研究團隊入選接受他汀類藥物治療的冠心病患者，采集基線時和隨訪1年時的IVUS影像，綜合整體因素和斑塊局部因素共254個指標，訓(xùn)練出可以預(yù)測特定斑塊高危征象的支持向量機分類器［13］。該研究突破了傳統(tǒng)統(tǒng)計學(xué)方法的局限性，為將來利用AI技術(shù)實現(xiàn)早期預(yù)測和精準干預(yù)提供了啟示。針對IVUS空間分辨率有限，檢測薄纖維帽斑塊（thin-cap fibroatheromas，TCFA）敏感度不高等問題，韓國的研究團隊將冠狀動脈光學(xué)相干斷層成像（optical coherence tomography，OCT）圖像與IVUS圖像進行配準，根據(jù)OCT診斷標準將相同位置IVUS中的斑塊標注為TCFA和非TCFA，將數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks， CNN）模型，結(jié)果顯示模型預(yù)測TCFA的敏感度為82.81%，特異度為87.31%，顯著提高了IVUS對TCFA檢測的準確性［14］。

1.3 OCT

OCT擁有比IVUS更高的組織分辨率，能對斑塊進行更精細的分型，能識別血管內(nèi)膜、斑塊纖維帽、膽固醇結(jié)晶、鈣化、血栓、支架梁等成分［15］。隨著OCT的應(yīng)用逐漸增多，自動分析的算法逐漸被研究和開發(fā)。從支持向量機二元模型區(qū)分正常血管與纖維粥樣斑塊［16］、自動分割管腔輪廓［17］、分支開口的識別和主支管腔輪廓的自動分割［18］等比較簡單的學(xué)習任務(wù)，到深度學(xué)習區(qū)分OCT中纖維鈣化、纖維脂質(zhì)和其他成分［19］等精確斑塊組分的自動識別， OCT圖像的自動分析越來越與臨床實踐匹配。Nam等［20］采用反向傳播算法訓(xùn)練單隱藏層前饋神經(jīng)網(wǎng)絡(luò)生成可于自動分割管腔邊界和支架梁的二元分類器，進一步通過定量計算支架梁突出距離和新生內(nèi)膜厚度來確定支架貼壁不良和內(nèi)膜覆蓋程度。Abdolmanafi等［21］從33例川崎病患者的OCT影像中選取3149幀圖像經(jīng)人工標注建立訓(xùn)練數(shù)據(jù)集，采用CNN提取特征、隨機森林分類器和多數(shù)投票算法結(jié)合的方式自動將OCT血管圖像區(qū)分為鈣化、纖維化、正常內(nèi)膜、巨噬細胞、中膜和新生血管等組織類型，檢驗表明模型區(qū)分特異組織的準確性為0.91～1.0。由上述可知，目前對OCT智能分析主要在驗證圖像分割和病變分類的準確性階段，尚未涉及危險評估和診療決策等領(lǐng)域。

總的來說，訓(xùn)練精準的影像自動分析模型需要大樣本量、高質(zhì)量的標注和涵蓋全部病變類型的數(shù)據(jù)。目前AI介入影像分析大多還在探討機器學(xué)習算法解讀圖像準確性的階段，因此，不免存在研究目的簡單、任務(wù)單一、可分辨的病變類型少等缺陷。深度學(xué)習訓(xùn)練的模型能更貼近現(xiàn)實中的診療流程，也更易為醫(yī)師所接受。因此，這類AI技術(shù)更具備轉(zhuǎn)化的前景。

2 AI應(yīng)用于冠狀動脈功能學(xué)評估

盡管冠狀動脈造影下的管腔狹窄是判斷冠狀動脈病變嚴重程度的金標準，但是管腔狹窄的程度與血流儲備分數(shù)（fractional flow reserve，F(xiàn)FR）定義的心肌缺血匹配程度不高［22］。根據(jù)FAME研究［23］結(jié)果，中度狹窄（50%～70%）對心肌缺血（FFR≤0.80）的陽性預(yù)測值低于40%。我們是否能利用AI技術(shù)來提高冠狀動脈造影預(yù)測心肌缺血的準確率呢？Cho等［24］用數(shù)據(jù)庫中患者的24項QCA參數(shù)和4項臨床指標訓(xùn)練預(yù)測模型，檢驗結(jié)果表明模型預(yù)測病變FFR≤0.80的準確性為82%，顯著超過了傳統(tǒng)QCA。近5年出現(xiàn)的新技術(shù)——定量血流分數(shù)（quantitative flow ratio，QFR），采用重建冠狀動脈造影三維圖像，建立計算流體力學(xué)的模型，結(jié)合心肌梗死溶栓治療試驗（thrombolysis in myocardial infarction，TIMI）血流幀數(shù)和指引導(dǎo)管內(nèi)壓力來計算病變遠端和近端壓力比值獲得FFR值。該項技術(shù)預(yù)測有創(chuàng)FFR≤0.80的準確性為93%［25］。QFR不需要壓力導(dǎo)絲和注射腺苷，彌補了FFR的缺陷，并且填補了造影狹窄與心肌缺血之間的空白。但是人工計算TIMI血流幀數(shù)不可避免地會受到主觀因素的影響。Zhang等［26］用自動計算的血管中心線增長速度來代替血流幀數(shù)，實現(xiàn)了QFR的自動測算。改進的QFR計數(shù)預(yù)測功能性狹窄的準確度達到97%，與原先的方法比較差異無統(tǒng)計學(xué)意義，但速度無疑會更快。未來AI應(yīng)用于冠狀動脈功能學(xué)的研究方向，可能與機器學(xué)習模型預(yù)測CTA血流儲備分數(shù)（coronary CT angiography-derived fractional flow reserve，F(xiàn)FRCT）的方法類似，即用AI算法提取基于造影圖像三維重建的血管特征預(yù)測FFR［27］。AI預(yù)測FFR的速度比根據(jù)計算流體力學(xué)測得的FFRCT要快很多，可以實時獲得結(jié)果，減少決策等待時間。

冠狀動脈功能學(xué)檢查不僅能診斷心肌缺血，更能指導(dǎo)穩(wěn)定型冠心病行PCI。2017年美國心臟病學(xué)會會議公布的DEFINEFLAIR研究［28］證實瞬時無波形比值（instantaneous wave-free ratio，iFR）不僅指導(dǎo)血運重建的效果與FFR一樣，而且節(jié)約時間和費用，更避免了腺苷的不良反應(yīng)。而iFR在回撤的過程中存在壓力導(dǎo)絲漂移現(xiàn)象可造成25%錯誤診斷［29］。利用AI技術(shù)解讀回撤壓力曲線可能是避免漂移導(dǎo)致誤差的新思路。在2018年TCT會議上Justin Davies報道了CEREBRIA-1研究［30］。在該研究中，由15名介入醫(yī)師組成的專家組和機器學(xué)習模型分別對1008例iFR數(shù)據(jù)進行分析，比較模型和人類專家對PCI適應(yīng)證和治療策略的判斷。結(jié)果發(fā)現(xiàn)對于PCI適應(yīng)證和支架置入的位置，計算機模型的總體表現(xiàn)與專家組相當；但是在可重復(fù)性方面，再次分析iFR數(shù)據(jù)時，專家會對10%患者改變最初的決定，但計算機不會發(fā)生動搖。AI模型還能減少誤診和漏診。被專家認為有PCI適應(yīng)證的患者中3.8%實際上是因為壓力導(dǎo)絲漂移產(chǎn)生的假陽性結(jié)果；相反，被認為不需要PCI的患者中27%實際上有干預(yù)適應(yīng)證。

總體來說，AI在冠狀動脈功能學(xué)評估中的研究和開發(fā)尚處于起步階段，但已經(jīng)初步顯露出優(yōu)勢。在未來，AI除了可以發(fā)揮機器學(xué)習的特長來突破冠狀動脈造影的局限性，還能幫助經(jīng)驗不足的介入醫(yī)師發(fā)現(xiàn)誤差導(dǎo)致的決策錯誤，并提醒醫(yī)師重新測定。

3 PCI術(shù)機器人系統(tǒng)

介入醫(yī)師長期處于介入操作帶來的職業(yè)風險中，接近一半的醫(yī)師罹患不同程度的放射性損傷、白內(nèi)障、脊柱和骨關(guān)節(jié)疾病。外科達芬奇手術(shù)系統(tǒng)的誕生為介入手術(shù)機器人系統(tǒng)的研發(fā)提供了靈感。2012年美國食品藥品監(jiān)督管理局批準Corindus公司開發(fā)的第一代介入手術(shù)機器人CorPath 200系統(tǒng)上市，該系統(tǒng)能夠通過遙控機械臂送入和回撤導(dǎo)絲、球囊以及支架導(dǎo)管［31］。PRECISE研究［32］證實在不影響成功率的基礎(chǔ)上，使用手術(shù)機器人可以降低操作者X線輻射劑量達95.2%。CORA-PCI研究［33］進一步將該系統(tǒng)的適應(yīng)證拓展至復(fù)雜病變，操作成功率達99.1%，對于81.5%患者完全通過操縱機器人完成。并且，該研究表明使用機器人系統(tǒng)盡管增加了操作時間，但并未增加X線照射時間。RAPID研究［34］證實了在外周動脈疾病中機器人手術(shù)系統(tǒng)同樣具有高度的有效性和安全性。CorPath 200系統(tǒng)甚至有左主干、ST段抬高型心肌梗死等病變的嘗試，但僅限于個案報道［35-36］。針對第一代機器人系統(tǒng)存在不能控制指引導(dǎo)管的缺陷，第二代CorPath GRX系統(tǒng)經(jīng)過改進于2017年通過批準進入市場。新一代的系統(tǒng)能在20 cm的范圍內(nèi)推送、回撤以及旋轉(zhuǎn)5～7 F指引導(dǎo)管，更接近于人類手動的操作模式［37］。有研究顯示，CorPath GRX系統(tǒng)操作成功率達到97.5%，對于90.0%患者完全通過機器完成［38］。

醫(yī)療資源分布不均是全球性難題。在醫(yī)療資源匱乏的偏遠地區(qū)，介入手術(shù)機器人系統(tǒng)結(jié)合高速網(wǎng)絡(luò)通信手段能開展遠程介入手術(shù)。這對于急性心肌梗死、缺血性卒中等需要緊急開通閉塞血管的心腦血管疾病具有重大意義。Madder等［39］在REMOTE-PCI研究中，在導(dǎo)管室隔壁房間內(nèi)通過遠程通信裝置操縱CorPath 200系統(tǒng)為20例患者共22處病變實施介入手術(shù)。該研究排除了直接PCI、血流動力學(xué)不穩(wěn)定、橋血管病變、嚴重多支病變和左心室射血分數(shù)＜35%等復(fù)雜高?；颊?。結(jié)果表明操作成功率達到95%，86.4%完全借助機器完成，與操縱平臺和患者在同一房間時差異無統(tǒng)計學(xué)意義。2018年12月4日-5日，印度Apex心臟研究所的Tejas Patel醫(yī)師對5例患者成功實施了世界首次遠程PCI術(shù)［40］。這一里程碑式的突破將對PCI術(shù)的模式產(chǎn)生深遠的影響，也為該技術(shù)在全球范圍開展大規(guī)模的Ⅲ期臨床試驗鋪平了道路。盡管遠程手術(shù)的真正應(yīng)用還需要克服網(wǎng)絡(luò)條件、本地助手的配合、并發(fā)癥的處理、倫理及資質(zhì)等的挑戰(zhàn)，但是遠程手術(shù)的理念和技術(shù)無疑將為偏遠地區(qū)急性心肌梗死的救治、介入操作培訓(xùn)和復(fù)雜病變的會診手術(shù)提供新的解決方案。

綜上所述，在當前醫(yī)療數(shù)據(jù)爆發(fā)式增長的年代，AI將逐步進入醫(yī)療各個領(lǐng)域，全面提高診斷和治療的準確性、效率和均質(zhì)性，可能從根本上改變現(xiàn)有的醫(yī)療模式。但我們也應(yīng)看到AI在醫(yī)療中的研究整體還處于初始階段，目前尚未有可模擬醫(yī)學(xué)專家的AI技術(shù)應(yīng)用于臨床。未來AI在冠狀動脈介入領(lǐng)域的應(yīng)用將體現(xiàn)在：（1）術(shù)前確定干預(yù)適應(yīng)證，規(guī)劃和模擬手術(shù)入徑，預(yù)測手術(shù)效果；（2）術(shù)中利用語音識別技術(shù)操縱介入操作平臺；（3）實時全自動影像分析和決策支持系統(tǒng)；（4）輔助操作系統(tǒng)和遠程機器人手術(shù)系統(tǒng)。AI的深度發(fā)展也將帶來醫(yī)學(xué)模式的轉(zhuǎn)變和人才的更新?lián)Q代，介入醫(yī)師應(yīng)作好AI時代到來的準備。展望將來，AI將取代一部分醫(yī)師的工作，但是并非對人類智能的全面替代，而是作為人類智能的補充和增強。只有懂得利用AI，甚至是研發(fā)AI的復(fù)合型人才才能跟上學(xué)科和技術(shù)發(fā)展的步伐。