人工智能在冠心病診斷及危險(xiǎn)度分層中的應(yīng)用進(jìn)展

施建伷，蔣志新，葉 力綜述，李殿富審校

0 引 言

傳統(tǒng)上心血管疾病的診治主要依靠臨床醫(yī)師綜合分析患者的癥狀、體征以及實(shí)驗(yàn)室檢查結(jié)果等進(jìn)行臨床決策，然而對(duì)臨床各種信息的解讀與理解程度的不同，使得臨床醫(yī)師對(duì)同一個(gè)患者產(chǎn)生程度不同的診斷處理意見(jiàn)。減少這一差異的動(dòng)因是推動(dòng)臨床醫(yī)學(xué)從個(gè)人經(jīng)驗(yàn)醫(yī)學(xué)轉(zhuǎn)向現(xiàn)代循證醫(yī)學(xué)的主要原因之一。面對(duì)因醫(yī)學(xué)及其技術(shù)的不斷進(jìn)步呈現(xiàn)出指數(shù)級(jí)增長(zhǎng)的臨床數(shù)據(jù)，利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和認(rèn)知計(jì)算在內(nèi)的人工智能技術(shù)進(jìn)行大數(shù)據(jù)處理及其人工智能診斷將在心血管疾病的診治決策中起到越來(lái)越重要作用，這是現(xiàn)代循證醫(yī)學(xué)向未來(lái)精準(zhǔn)醫(yī)學(xué)發(fā)展的重要基礎(chǔ)［1］。

冠心病作為最常見(jiàn)的心血管疾病之一，其診斷和危險(xiǎn)度分層、以及處理方案的制定高度依賴于可視化的功能學(xué)檢查資料，對(duì)可視化資料的整合與處理正是人工智能的優(yōu)勢(shì)［2］。近年來(lái)，人工智能在冠心病診治領(lǐng)域中的研究與應(yīng)用已有較快發(fā)展，本文就近年來(lái)人工智能在冠心病診斷及危險(xiǎn)度分層中的應(yīng)用進(jìn)展作一綜述。

1 人工智能在冠心病診斷中的應(yīng)用

目前常用的無(wú)創(chuàng)冠心病診斷處理技術(shù)包括心電圖（Electrocardiographic，ECG）、CT冠狀動(dòng)脈成像（coronary computed tomography angiography，CCTA）及門(mén)控核素心肌灌注顯像（gated single photon emission computed tomography，G-MPI）等，人工智能將各種算法和以上的影像學(xué)技術(shù)相結(jié)合，根據(jù)所獲得的圖像信息自動(dòng)化地做出診斷。目前除彈性網(wǎng)絡(luò)算法、基于模因模式的算法小規(guī)模的應(yīng)用于臨床外［3-5］，以人工神經(jīng)網(wǎng)絡(luò)為代表的人工智能、以支持向量機(jī)算法和LogitBoost算法等為代表的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等諸多算法已經(jīng)在醫(yī)學(xué)領(lǐng)域得到了廣泛應(yīng)用［6］。

1.1 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)通過(guò)模擬人類神經(jīng)元之間的交互方式達(dá)到數(shù)據(jù)處理的目的，目前已被廣泛應(yīng)用于核心臟病學(xué)領(lǐng)域中［7-9］。Guner等［10］將其與G-MPI結(jié)合，驗(yàn)證該算法對(duì)冠心病的診斷效能。7名核醫(yī)學(xué)醫(yī)師和該算法分別對(duì)納入測(cè)試的患者G-MPI圖像進(jìn)行解讀，采用曲線下面積（area under the curve，AUC）比較其對(duì)冠心病的診斷效能。結(jié)果顯示人工神經(jīng)網(wǎng)絡(luò)和專家解讀的診斷效能無(wú)統(tǒng)計(jì)學(xué)差異（AUC:0.74和0.84，P＞0.05），同時(shí)接受算法輔助組的核醫(yī)學(xué)醫(yī)師的診斷效能優(yōu)于無(wú)輔助組（分別提升11%和7%，P＜0.05）。Nakajima等［8］采用相同算法進(jìn)行一項(xiàng)多中心的驗(yàn)證研究，旨在驗(yàn)證該算法和基于負(fù)荷總積分（SSS）/靜息總積分（SRS）/灌注積分差（SDS）的傳統(tǒng)半定量模式對(duì)冠心病患者的診斷效能。結(jié)果顯示，相比于從傳統(tǒng)目測(cè)方法獲得的SSS和SDS，人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷灌注缺損（AUC:0.92和 0.82，P＜0.0001）和負(fù)荷所致缺血（AUC:0.90和0.75，P＜0.0001）的診斷效能上均優(yōu)于傳統(tǒng)的半定量積分法。Shibutani等［11］將人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)一步用于局限性灌注缺損的診斷中，和兩位專家相比，算法在診斷負(fù)荷灌注缺損的效能上顯著優(yōu)于專家（AUC:0.946，0.865和0.865，P＜0.05）。綜合上述研究結(jié)果，在核心臟病學(xué)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)不僅可代替醫(yī)師對(duì)冠心病作出診斷，還可通過(guò)輔助人工解讀方式提高診斷效能。

1.2 支持向量機(jī)與LogitBoost算法利用支持向量機(jī)算法有更全面地挖掘隱藏?cái)?shù)據(jù)的能力，Dolatabadi等［12］將該算法應(yīng)用于根據(jù)動(dòng)態(tài)心電圖ST段變化這一心率變應(yīng)性指標(biāo)來(lái)識(shí)別健康人群和冠心患者群。這一小樣本回顧性研究通過(guò)融合相應(yīng)的心電學(xué)參數(shù)，支持向量機(jī)算法識(shí)別冠心病患者的準(zhǔn)確性可以達(dá)到99.2%（敏感性為98.43%，特異性為100%）。LogitBoost算法通過(guò)對(duì)數(shù)個(gè)弱相關(guān)的分類進(jìn)行不斷迭代以最終獲得一個(gè)強(qiáng)相關(guān)的分類，以此獲得診斷和鑒別診斷的功能；Dey等［13］以CCTA發(fā)現(xiàn)的冠脈斑塊特征為研究對(duì)象，擬通過(guò)分析斑塊特征來(lái)預(yù)測(cè)LogitBoost算法對(duì)心肌缺血及其冠心病的診斷價(jià)值。該研究比較了CT系統(tǒng)自帶軟件和基于LogitBoost算法的診斷模型之間的診斷效能，發(fā)現(xiàn)不論采用何種參數(shù)，CT自帶軟件的診斷效能均劣于基于算法的診斷模型（AUC:0.63-0.76和0.84，P＜0.005）。有研究嘗試將上述兩種機(jī)器學(xué)習(xí)算法與GMPI圖像相結(jié)合以期提高基于G-MPI圖像的冠心病診斷準(zhǔn)確性［14-15］。其中支持向量機(jī)用于融合非校正G-MPI圖像的相關(guān)參數(shù)，LogitBoost算法通過(guò)整合心肌灌注量化信息和臨床參數(shù)以達(dá)到提高診斷準(zhǔn)確性的目的。兩項(xiàng)研究均采用敏感性、特異性和準(zhǔn)確性作為診斷效能指標(biāo)以比較算法和醫(yī)學(xué)專家的診斷結(jié)果。結(jié)果均證實(shí)，機(jī)器學(xué)習(xí)算法與G-MPI圖像結(jié)合對(duì)冠心病的診斷效能顯著優(yōu)于傳統(tǒng)的人工閱讀法（AUC:0.87-0.88和 0.92，P＜0.05；AUC:0.85-0.89和0.94，P＜0.0001）。

1.3 深度學(xué)習(xí)上述諸多機(jī)器學(xué)習(xí)算法已經(jīng)展現(xiàn)出良好的診斷價(jià)值，但仍依賴于人工進(jìn)行參數(shù)輸入，而深度學(xué)習(xí)可自動(dòng)處理和識(shí)別輸入的圖像信息并輸出所需要的數(shù)據(jù)，展現(xiàn)出超越機(jī)器學(xué)習(xí)的強(qiáng)大數(shù)據(jù)處理能力。深度學(xué)習(xí)提高ECG診斷準(zhǔn)確率的能力先前已被驗(yàn)證［16］。Tan等［17］進(jìn)一步比較了疊加的卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)——深度學(xué)習(xí)的一種和各種機(jī)器學(xué)習(xí)算法在冠心病上的診斷效能，結(jié)果顯示其所研發(fā)的新算法在敏感性（99.85%）、特異性（99.84%）和準(zhǔn)確度（99.85%）上均優(yōu)于現(xiàn)有的各種算法模型。

CCTA通過(guò)對(duì)比注射造影劑前后充盈程度來(lái)獲得血管狹窄的面積百分比，這一過(guò)程同樣是基于逐幀采集的圖像。機(jī)器學(xué)習(xí)在圖像重建方面存在著客觀的局限性［18］，而深度學(xué)習(xí)則具有強(qiáng)大的圖像分析處理能力，因此諸多學(xué)者選擇將深度學(xué)習(xí)和CCTA圖像相結(jié)合以驗(yàn)證其診斷能力［19-21］。Doeberitz等［19］探索了基于CCTA的不同診斷模型（CCTA計(jì)算的狹窄百分比、CCTA獲得的斑塊特征及基于深度學(xué)習(xí)的CT血流儲(chǔ)備分?jǐn)?shù)）對(duì)血管狹窄所致心肌缺血的診斷效能，研究結(jié)果證實(shí)，單純使用血管狹窄百分比的AUC為0.61，加入斑塊特征后提升至0.83，而采用基于深度學(xué)習(xí)的CT血流儲(chǔ)備分?jǐn)?shù)后，AUC進(jìn)一步提升至0.93。Coenen等［21］通過(guò)類似的研究也得出了深度學(xué)習(xí)可提高診斷效能的結(jié)論，而診斷效能的提高主要得益于準(zhǔn)確識(shí)別假陽(yáng)性患者并將其正確歸類。Hamersvelt等［20］沿用同樣的思路，旨在探索深度學(xué)習(xí)對(duì)有嚴(yán)重功能性狹窄的冠心病患者（血管內(nèi)血流儲(chǔ)備分?jǐn)?shù)≤0.8或冠脈造影提示血管狹窄≥90%）的附加診斷價(jià)值。深度學(xué)習(xí)通過(guò)分析靜息狀態(tài)下的左心室心肌形狀、質(zhì)地及造影劑攝取程度，將AUC從單純基于血管狹窄百分比的0.68提升至0.76，其中敏感性從92.6%輕度下降至84.6%，但診斷特異性從31.1%顯著提升至48.4%。Betancur等［22］將深度學(xué)習(xí)與G-MPI圖像相結(jié)合，分別利用原始及定量化處理后的G-MPI圖像來(lái)研究比較深度學(xué)習(xí)預(yù)測(cè)結(jié)果與總灌注缺損（total perfusion deficit，TPD）這一傳統(tǒng)G-MPI參數(shù)對(duì)阻塞性冠心病的診斷效能，結(jié)果發(fā)現(xiàn)，深度學(xué)習(xí)對(duì)患者（AUC:0.80和0.78，P＜0.01）和血管（AUC:0.76和0.73，P＜0.01）的診斷效能均優(yōu)于傳統(tǒng)的TPD參數(shù)，進(jìn)一步體現(xiàn)了深度學(xué)習(xí)的強(qiáng)大潛力。

機(jī)器學(xué)習(xí)的諸多算法與傳統(tǒng)的無(wú)創(chuàng)影像學(xué)相結(jié)合，提高了對(duì)冠心病的診斷準(zhǔn)確性和診斷效能，而深度學(xué)習(xí)除此之外，更在診斷的個(gè)體化和精準(zhǔn)化方面展現(xiàn)出獨(dú)特優(yōu)勢(shì)。

2 人工智能在冠心病危險(xiǎn)度分層中的應(yīng)用

2.1 人工智能與傳統(tǒng)的危險(xiǎn)度分層模型傳統(tǒng)的冠心病危險(xiǎn)度分層是利用年齡、性別、有無(wú)高血壓、糖尿病、高膽固醇血癥、心血管疾病家族史及吸煙等臨床資料對(duì)人群進(jìn)行心血管事件發(fā)生概率的預(yù)測(cè)。Rosendael等［23］使用極度梯度強(qiáng)化法（extreme gradient boosting，XGBoost）對(duì)特定人群按照從CCTA獲得的血管狹窄程度和斑塊特征進(jìn)行分層，和傳統(tǒng)的CCTA風(fēng)險(xiǎn)評(píng)分系統(tǒng)如Duke預(yù)后量表、Leaman風(fēng)險(xiǎn)評(píng)分系統(tǒng)等相比，基于算法的分層模型因精準(zhǔn)識(shí)別了低風(fēng)險(xiǎn)人群，因此其預(yù)測(cè)效能更好（AUC:0.685-0.701和0.771，P＜0.001）?，F(xiàn)有文獻(xiàn)已證實(shí)，頸動(dòng)脈斑塊特征可被用于進(jìn)行心血管事件的危險(xiǎn)度分層［24-25］；Banchhor等［26］以此為標(biāo)準(zhǔn)，探索血管內(nèi)超聲下斑塊和血管壁特征能否作為新的參數(shù)來(lái)提高現(xiàn)有的CADx系統(tǒng)對(duì)冠心病危險(xiǎn)度分層的準(zhǔn)確性；該研究使用多種機(jī)器學(xué)習(xí)算法進(jìn)行相關(guān)的特征獲取，結(jié)果顯示單純使用斑塊特征進(jìn)行危險(xiǎn)度分層，預(yù)測(cè)準(zhǔn)確性約為86%，在增加了血管壁特征后，對(duì)低危和高危人群的分層準(zhǔn)確性可提升至91.28%。該研究提示，人工智能可為更精準(zhǔn)的冠心病危險(xiǎn)度分層提供保障。

2.2 人工智能不同算法之間的比較不同的算法因各自優(yōu)勢(shì)不同常被研究者用來(lái)進(jìn)行對(duì)比，在冠心病危險(xiǎn)度分層中的應(yīng)用亦是如此。Weng等［27］探索是否可借助機(jī)器算法來(lái)替代傳統(tǒng)的預(yù)測(cè)模型，研究采用了4種不同的機(jī)器學(xué)習(xí)算法（隨機(jī)樹(shù)、Logistic回歸、梯度提升機(jī)、人工神經(jīng)網(wǎng)絡(luò)）來(lái)預(yù)測(cè)患者未來(lái)10年的心血管事件發(fā)生率。與現(xiàn)有的危險(xiǎn)度分層模型相比，上述4種算法均展現(xiàn)出了更好的預(yù)測(cè)優(yōu)勢(shì)，其中人工神經(jīng)網(wǎng)絡(luò)算法對(duì)預(yù)測(cè)準(zhǔn)確性提升的百分比最高（3.6%），在預(yù)測(cè)發(fā)生心血管事件的絕對(duì)數(shù)上更占優(yōu)勢(shì)。Dimopoulos等［28］比較了k鄰近算法、隨機(jī)森林模型和決策樹(shù)等三種算法和現(xiàn)存預(yù)測(cè)模型（HellenicSCORE）對(duì)冠心病10年發(fā)病率的預(yù)測(cè)效能。三種不同的機(jī)器學(xué)習(xí)算法在預(yù)測(cè)的特異性上均優(yōu)于HellenicSCORE模型（46%～56%和20%），而敏感性、準(zhǔn)確性和陽(yáng)性預(yù)測(cè)值均和傳統(tǒng)模型相仿（P＞0.05）。以敏感性、特異性、陽(yáng)性預(yù)測(cè)率、陰性預(yù)測(cè)率這四項(xiàng)指標(biāo)綜合比較3種算法，隨機(jī)森林模型的預(yù)測(cè)效能最佳（四項(xiàng)指標(biāo)數(shù)值分別為100%、79%、99%和98%），而k鄰近算法的預(yù)測(cè)效能最差（四項(xiàng)指標(biāo)數(shù)值分別為98%、37%、97%和79%）。Pieszko等［29］利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)急性心肌梗死患者的住院死亡率，研究將線性回歸、XGBoost和DRSABRE等3種算法與臨床和實(shí)驗(yàn)室檢查參數(shù)相結(jié)合用于住院死亡率的預(yù)測(cè)。結(jié)果分析發(fā)現(xiàn)，DRSA-BRE算法預(yù)測(cè)住院死亡率的敏感性（81%±2.4%）和特異性（81.1%±0.5%）的表現(xiàn)最佳。

傳統(tǒng)的危險(xiǎn)度分層模型提供了預(yù)測(cè)未來(lái)不良事件發(fā)生概率的工具，而人工智能則有實(shí)現(xiàn)并超越傳統(tǒng)模型的預(yù)測(cè)能力，同時(shí)提高了個(gè)體化和精準(zhǔn)化診治的能力。

3 結(jié)語(yǔ)與展望

人工智能因其可處理統(tǒng)計(jì)學(xué)尚不能解決的問(wèn)題而在醫(yī)學(xué)領(lǐng)域得到重視［30］，但目前有關(guān)人工智能的研究所采用的均是回顧性的研究方法，即旨在驗(yàn)證人工智能的一種能力，未來(lái)應(yīng)有更多前瞻性的研究進(jìn)一步證實(shí)人工智能的實(shí)用價(jià)值。

盡管人工智能在冠心病診斷及其危險(xiǎn)度分層中的能力得到了驗(yàn)證，但是目前的算法因開(kāi)發(fā)者不同，在實(shí)際操作及其結(jié)果解讀上均還存在差別，建立標(biāo)準(zhǔn)化的規(guī)則使其更易操作和可讀也成為未來(lái)人工智能需要突破的方向之一。在冠心病診斷處理方面，目前與人工智能相關(guān)的大部分研究均是基于冠脈CTA和G-MPI等可視化的功能檢查，這種結(jié)合顯著提升了醫(yī)療的精準(zhǔn)化和個(gè)體化［31］。但目前的人工智能系統(tǒng)在患者的病史和體格檢查等重要信息的利用上還存在明顯不足，原因之一即是目前的病歷系統(tǒng)尚未完全做到結(jié)構(gòu)化，計(jì)算機(jī)算法無(wú)法有效地抓取相關(guān)信息進(jìn)行分析，而結(jié)構(gòu)化的電子病歷系統(tǒng)或許可以解決這一難題。

心臟超聲心動(dòng)圖作為臨床廣泛應(yīng)用的無(wú)創(chuàng)影像學(xué)檢查之一［32］，其圖像質(zhì)量與操作者經(jīng)驗(yàn)密切相關(guān)，因此將心臟超聲心動(dòng)圖與人工智能相結(jié)合用于冠心病診斷及危險(xiǎn)度分層中的研究均局限于小樣本研究［33］。希望未來(lái)能開(kāi)發(fā)出更適宜的算法與其融合，擴(kuò)大其在冠心病診斷及危險(xiǎn)度分層中的應(yīng)用。人工智能在冠心病診治方面的能力目前已得到了較好驗(yàn)證，隨著人工智能的進(jìn)一步發(fā)展及其相關(guān)規(guī)則的標(biāo)準(zhǔn)化和病史等臨床信息的結(jié)構(gòu)化，人工智能在其他心血管疾病診治方面的能力也會(huì)有突破性的進(jìn)展。