人工智能在心血管疾病的輔助診療中的應(yīng)用

上海交通大學(xué)附屬胸科醫(yī)院心內(nèi)科，上海交通大學(xué)醫(yī)學(xué)院臨床研究中心，上海 200030

人工智能（artificial intelligence，AI）是基于計(jì)算機(jī)科學(xué)來模擬人腦學(xué)習(xí)知識、儲(chǔ)存知識、思考規(guī)劃的思維過程的一種技術(shù)，包括機(jī)器學(xué)習(xí)、認(rèn)知計(jì)算等。近年來，基于對疾病輔助診療和防治的信息化及便捷化的極大需求，研究者們逐漸將AI的應(yīng)用聚焦于醫(yī)學(xué)領(lǐng)域。在心血管疾病方面，傳統(tǒng)的診治過程主要依賴于醫(yī)生的經(jīng)驗(yàn)，患者的臨床表現(xiàn)、心電圖（electrocardiogram，ECG）及血液化驗(yàn)、影像學(xué)檢查結(jié)果等，而這種診療模式主要源于對國內(nèi)外各種臨床試驗(yàn)以及權(quán)威指南發(fā)布的臨床路徑的借鑒與總結(jié)。在我國，心血管疾病的診療多以美國及歐洲心臟病協(xié)會(huì)的指南為參照，難以很好地適用于基因、飲食及生活習(xí)性均不同于西方人群的亞洲人群。因此，如何優(yōu)化我國心血管疾病的診療標(biāo)準(zhǔn)及預(yù)防措施仍然是該領(lǐng)域亟待解決的問題之一。隨著計(jì)算機(jī)科學(xué)的不斷發(fā)展，AI技術(shù)有望基于大數(shù)據(jù)對一些具有異質(zhì)性的綜合征如急性冠脈綜合征（acute coronary syndrome，ACS）進(jìn)行輔助診療、對心血管相關(guān)疾病的影像結(jié)果進(jìn)行智能識別；其臨床應(yīng)用不僅能夠提高臨床醫(yī)師的工作效率、降低出錯(cuò)率，還能夠通過該技術(shù)對較難診斷的病例進(jìn)行疾病特征學(xué)習(xí)，并智能化地給出診斷結(jié)果和治療方案，以提升偏遠(yuǎn)、落后地區(qū)的醫(yī)療水平。本文就目前AI技術(shù)在心血管領(lǐng)域的診療應(yīng)用研究進(jìn)展進(jìn)行綜述。

1 機(jī)器學(xué)習(xí)在心血管疾病風(fēng)險(xiǎn)預(yù)測中的應(yīng)用

1.1 機(jī)器學(xué)習(xí)的基本概念

機(jī)器學(xué)習(xí)是計(jì)算機(jī)通過大數(shù)據(jù)集提取變量特征來進(jìn)行自主獲取知識的一種能力。與普通的Cox風(fēng)險(xiǎn)回歸模型（cox proportional hazard model，簡稱Cox模型）或風(fēng)險(xiǎn)評分相比，機(jī)器學(xué)習(xí)這一方法更適合在廣泛表型化的大規(guī)模流行病學(xué)研究中進(jìn)行有意義的風(fēng)險(xiǎn)預(yù)測[1]。根據(jù)不同的模型，機(jī)器學(xué)習(xí)可適用于不同的樣本量數(shù)據(jù)，常見的機(jī)器學(xué)習(xí)模型有線性回歸、支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等。通常，機(jī)器學(xué)習(xí)可以根據(jù)其學(xué)習(xí)特點(diǎn)分成有監(jiān)督型、無監(jiān)督型和強(qiáng)化型共3種類型。在監(jiān)督型機(jī)器學(xué)習(xí)中，計(jì)算機(jī)算法通過標(biāo)記過的數(shù)據(jù)集來學(xué)習(xí)預(yù)測理想的已知終點(diǎn)事件，可以用于處理分類數(shù)據(jù)和回歸數(shù)據(jù)。無監(jiān)督型機(jī)器學(xué)習(xí)則是通過分析未經(jīng)處理過的原始數(shù)據(jù)進(jìn)行聚類，從而發(fā)現(xiàn)新的疾病機(jī)制；但該方法的缺點(diǎn)在于原始群集數(shù)據(jù)需經(jīng)過偏倚校正，因此這種模式尚需要在其他群集中繼續(xù)驗(yàn)證。而強(qiáng)化型機(jī)器學(xué)習(xí)是指計(jì)算機(jī)通過感受環(huán)境中的獎(jiǎng)懲信號，從嘗試與錯(cuò)誤中找到規(guī)律，從而完成需要達(dá)成的目的；適用于有反饋的數(shù)據(jù)集，其優(yōu)點(diǎn)是可通過計(jì)算機(jī)與環(huán)境的交互實(shí)現(xiàn)對決策的不斷改進(jìn)，與人腦處理數(shù)據(jù)的模式最為接近。

1.2 傳統(tǒng)機(jī)器學(xué)習(xí)在心血管疾病領(lǐng)域中的研究

狹義的機(jī)器學(xué)習(xí)主要指SVM、隨機(jī)森林等傳統(tǒng)的機(jī)器學(xué)習(xí)方法，而廣義的機(jī)器學(xué)習(xí)則還包括利用神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)的深度學(xué)習(xí)。近年來機(jī)器學(xué)習(xí)在心血管領(lǐng)域的研究屢見不鮮，主要涉及在大量數(shù)據(jù)中利用深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)來訓(xùn)練模型，而當(dāng)數(shù)據(jù)量較小時(shí)通?？梢赃x擇其他的傳統(tǒng)機(jī)器學(xué)習(xí)方法。Ambale-Venkatesh等[1]在一項(xiàng)多種族動(dòng)脈粥樣硬化研究中，分別采用隨機(jī)生存森林法（一種分析右刪失生存數(shù)據(jù)的隨機(jī)森林法）和傳統(tǒng)危險(xiǎn)因素對6種心血管事件的預(yù)測差異進(jìn)行研究，認(rèn)為機(jī)器學(xué)習(xí)聯(lián)合深度表型分析可提高對無初始癥狀人群的心血管事件的預(yù)測力。另外，也有研究利用SVM來訓(xùn)練預(yù)測心血管疾病的模型，挖掘新的可指導(dǎo)疾病的變量；如Li等[2]以非糖尿病且甲狀腺功能正常的538位患者為研究對象，就其血清糖化血紅蛋白A1c和促甲狀腺激素的臨床參考范圍與冠心病風(fēng)險(xiǎn)之間的關(guān)系進(jìn)行研究，認(rèn)為這些指標(biāo)的組合可以作為識別健康個(gè)體后期發(fā)展為冠心病的生物標(biāo)志物?？傮w來說，在某些中小樣本量研究過程中，利用傳統(tǒng)的機(jī)器學(xué)習(xí)來處理問題可以獲得合適的模型。

2 深度學(xué)習(xí)在心血管疾病領(lǐng)域中的應(yīng)用

作為機(jī)器學(xué)習(xí)的一個(gè)特殊分支，深度學(xué)習(xí)通過利用多層人工神經(jīng)網(wǎng)絡(luò)模擬了人腦處理數(shù)據(jù)的方式。然而對于深度學(xué)習(xí)而言，其需要有較大數(shù)據(jù)量的樣本作為支撐，數(shù)據(jù)量的大小與其獲得的模型準(zhǔn)確性成正比。因此該方法常被作為大樣本量研究的首選，是一種可以獲得較可靠的模型的學(xué)習(xí)方法。同時(shí)，深度學(xué)習(xí)還可以對心臟病患者治療之后的近期及遠(yuǎn)期風(fēng)險(xiǎn)進(jìn)行模型訓(xùn)練與預(yù)測。在一項(xiàng)納入了27 705例患者的心臟移植術(shù)后死亡的預(yù)測研究中，Medved等[3]將深度學(xué)習(xí)的結(jié)果與心臟移植術(shù)后死亡率預(yù)測指數(shù)（index for mortality prediction after cardiac transplantation，IMPACT）風(fēng)險(xiǎn)模型進(jìn)行比較，結(jié)果顯示深度學(xué)習(xí)與IMPACT風(fēng)險(xiǎn)模型的1年及長期死亡預(yù)測的受試者工作特征曲線（receiver operating characteristic curve，簡稱ROC曲線）下面積分別為0.654vs0.608、0.627vs0.584。此外，深度學(xué)習(xí)不僅在應(yīng)對大量心血管相關(guān)疾病的臨床數(shù)據(jù)的處理方面具有較大優(yōu)勢，在心臟影像圖像識別方面也擁有極大的應(yīng)用前景。Zreik等[4]用深度學(xué)習(xí)來自動(dòng)識別166名患者的冠脈靜息計(jì)算機(jī)斷層掃描造影中的重要的冠脈狹窄，結(jié)果顯示其特異性與靈敏度均較高，可作為侵入性的血流儲(chǔ)備分?jǐn)?shù)的一種理想替代。另外，深度學(xué)習(xí)還可以將心律失常表現(xiàn)與智能穿戴設(shè)備結(jié)合起來，從而對普通人群進(jìn)行預(yù)警提示。Tison等[5]在12導(dǎo)聯(lián)ECG的指導(dǎo)下，采用深度神經(jīng)網(wǎng)絡(luò)研究并驗(yàn)證通過智能手表檢測患者的心跳節(jié)律異常并預(yù)測其房顫的發(fā)生，結(jié)果顯示該方法對于房顫的預(yù)測具有一定的準(zhǔn)確性，從而為疾病的預(yù)防提供了新的思路。未來，深度學(xué)習(xí)有望更好地整合各類醫(yī)學(xué)數(shù)據(jù)，對個(gè)體疾病類型的異質(zhì)性進(jìn)行識別，從而填補(bǔ)組學(xué)研究和臨床表型之間的空白，實(shí)現(xiàn)個(gè)性化的精準(zhǔn)醫(yī)療[6]。

3 AI輔助心臟影像學(xué)檢測

目前，影像學(xué)檢查已成為臨床心血管疾病診療不可或缺的方法之一，但其圖像數(shù)據(jù)的龐大與成像原理的復(fù)雜給臨床工作者帶來了較大的負(fù)擔(dān)，同時(shí)該類圖像數(shù)據(jù)的人工處理往往也存在一定的個(gè)體差異。近年來，AI在輔助心臟影像學(xué)檢查方面的研究層出不窮，這里對幾種常規(guī)的心臟相關(guān)的影像學(xué)檢查做簡單介紹。

3.1 AI在單光子發(fā)射計(jì)算機(jī)斷層成像中的應(yīng)用

單光子發(fā)射計(jì)算機(jī)斷層成像（singlephoton emission computed tomography，SPECT）是一項(xiàng)臨床上常用于檢測心肌血流灌注的核素影像學(xué)檢查，可以敏感地發(fā)現(xiàn)早期心肌缺血，從而指導(dǎo)臨床醫(yī)師進(jìn)行早期干預(yù)。在心肌SPECT灌注成像量化中，左心室分段二尖瓣平面的確定依舊需要人為調(diào)整，從而影響灌注成像的質(zhì)量。Betancur等[7]在SPECT采集過程中采用SVM精準(zhǔn)定位392位患者的二尖瓣平面，并在必要時(shí)由2位專業(yè)人員對該平面進(jìn)行調(diào)整，結(jié)果發(fā)現(xiàn)機(jī)器學(xué)習(xí)可以提高二尖瓣定位的自動(dòng)化，準(zhǔn)確評估心肌灌注。此外，還有學(xué)者將目光聚焦在心肌灌注成像中深度學(xué)習(xí)和SPECT心肌總灌注不足對于血管阻塞性疾病的預(yù)測差別，結(jié)果顯示深度學(xué)習(xí)預(yù)測的冠脈阻塞性病變的ROC曲線下面積高于心肌總灌注不足的預(yù)測結(jié)果（0.80vs0.78，P＜0.01）[8]。而 Betancur 等[9]在追蹤了（3.2±0.6）年的隨訪數(shù)據(jù)后發(fā)現(xiàn)，機(jī)器學(xué)習(xí)結(jié)合SPECT數(shù)據(jù)和其他臨床變量與單純的機(jī)器學(xué)習(xí)結(jié)合SPECT數(shù)據(jù)相比，前者對于主要心血管事件的預(yù)測更準(zhǔn)確。上述研究均提示，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)不僅可以進(jìn)一步增加SPECT檢測的準(zhǔn)確性，還能夠提高SPECT檢查結(jié)果對患者疾病預(yù)測的潛能。

3.2 AI在心臟核磁共振中的應(yīng)用

心臟核磁共振由于其成像無輻射、對心臟的顯影較敏感而被廣泛應(yīng)用于臨床工作中。但相對于ECG、心臟超聲等常規(guī)技術(shù)，心臟核磁共振的成像方式更為復(fù)雜，對醫(yī)師的技術(shù)要求更高。目前，關(guān)于深度學(xué)習(xí)在心臟核磁共振中的應(yīng)用研究顯示已取得了較好的成果。例如Bai等[10]應(yīng)用深度學(xué)習(xí)在4 875個(gè)受試者的93 500個(gè)標(biāo)記的核磁共振圖像中自動(dòng)分割左右心室及心房，其精確度達(dá)到了與專家較為接近的程度。在心臟核磁共振檢測方面，AI的應(yīng)用可以將復(fù)雜的數(shù)據(jù)轉(zhuǎn)化為報(bào)告，從而在一定程度上減輕臨床醫(yī)師的工作量。

3.3 AI在ECG中的應(yīng)用

ECG作為心血管疾病最為常規(guī)的一種無創(chuàng)檢查手段，在臨床上已獲得了大量的運(yùn)用，且其檢查結(jié)果對于冠心病、各種心律失常、心房心室肥大等疾病的診斷作用亦已被列入相關(guān)指南。目前，雖然自動(dòng)檢測心電圖機(jī)已逐漸問世，但其準(zhǔn)確性和全面性仍需進(jìn)一步提升；在面對合并多種心臟問題的復(fù)雜患者時(shí)，其檢測報(bào)告的結(jié)果往往不太可靠。而床旁ECG也常因缺少專業(yè)技術(shù)人員的第一時(shí)間診斷，使得臨床醫(yī)師在主觀判斷時(shí)可能漏掉不明顯的ST段ECG改變或其他不典型的ECG變化，導(dǎo)致檢測結(jié)果出現(xiàn)偏差。因此，AI在ECG領(lǐng)域的應(yīng)用或許可以幫助解決上述問題。ECG記錄的是一種非平穩(wěn)心臟活動(dòng)的電生理信號，該信號的表現(xiàn)與患者疾病的變化相關(guān)。例如心肌缺血的ECG表現(xiàn)可能隨患者疾病的進(jìn)展發(fā)生變化，且不同患者之間存在較大差異，使得據(jù)此診斷新發(fā)疾病較為困難。Sbrollini等[11]提出一種新的算法來構(gòu)建深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，即通過算法連續(xù)比較同一患者不同時(shí)間的ECG變化，實(shí)現(xiàn)對患者心肌梗死后的新發(fā)心衰和心肌缺血檢測；另一項(xiàng)研究[12]通過人工神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)提取重癥監(jiān)護(hù)病房中心臟病患者的13個(gè)重要ECG特征，對患者的病情嚴(yán)重程度進(jìn)行分類， 結(jié)果顯示在測試案例中，該網(wǎng)絡(luò)分類系統(tǒng)的正確率達(dá)99%。Attia等[13]利用卷積神經(jīng)網(wǎng)絡(luò)通過12導(dǎo)聯(lián)ECG的結(jié)果預(yù)測16 056例患者的左心室射血分?jǐn)?shù)是否小于或等于35%，以期解決常規(guī)ECG不能檢測患者的左心室功能異常的問題；結(jié)果顯示，其預(yù)測的靈敏度為82.5%、特異度為86.8%、ROC曲線下面積為0.918。由此可見，AI可以拓展ECG這一常規(guī)檢查的臨床應(yīng)用。

3.4 AI在心臟超聲中的應(yīng)用

作為觀察心臟器質(zhì)性結(jié)構(gòu)的重要檢查，心臟超聲往往需要依賴檢查者的經(jīng)驗(yàn)來獲取結(jié)果，而檢查者的觀察切面不同，則可能導(dǎo)致其對病變部位的觀察不清，從而造成誤診或漏診。有研究[14]顯示，通過AI深度學(xué)習(xí)研究心臟病患者的心臟超聲檢查結(jié)果，可以預(yù)測患者的住院死亡率。近期，有研究團(tuán)隊(duì)通過深度學(xué)習(xí)對10年間14 035份超聲心動(dòng)圖的結(jié)果進(jìn)行訓(xùn)練學(xué)習(xí)并自動(dòng)分析患者的心臟超聲結(jié)果，經(jīng)與人工分析的結(jié)果相比較發(fā)現(xiàn)，前者測量的結(jié)果并不遜于人工的結(jié)果；此外，該團(tuán)隊(duì)基于該技術(shù)開發(fā)出檢測肥厚性心肌病、心臟淀粉樣病變和肺動(dòng)脈高壓共3種疾病的模型，以通過患者的心臟超聲結(jié)果實(shí)現(xiàn)對疾病診斷的自動(dòng)化[15]。上述研究表明，AI的應(yīng)用不僅可以降低心臟超聲檢查中的人為誤差，使心臟超聲結(jié)果更加標(biāo)準(zhǔn)化，還可以建立不同心血管疾病模型，為臨床診療提供便利。

4 總結(jié)與展望

目前，有關(guān)AI在心血管疾病領(lǐng)域的研究較多，且各種研究所使用的方法也大有不同。其中，在線性回歸模型的使用中，可以根據(jù)所選變量的數(shù)量選擇相應(yīng)大小的數(shù)據(jù)集，但在一些非線性問題中，則無法簡單使用線性回歸進(jìn)行擬合；SVM模型可以解決高緯度小樣本量的問題；決策樹模型可以處理多輸出問題，但其缺點(diǎn)是傾向于表現(xiàn)出較高的不一致，繼而限制其作為獨(dú)立預(yù)測模型的效用[16]，而通過隨機(jī)森林模型聚合多個(gè)決策樹的結(jié)果則可以改善總體預(yù)測的不一致性[17]；神經(jīng)網(wǎng)絡(luò)模型則需要非常大的數(shù)據(jù)量（萬級）以供學(xué)習(xí)，但具有較高的預(yù)測準(zhǔn)確率。同時(shí)，其相關(guān)研究多集中在如何使用機(jī)器學(xué)習(xí)以減少疾病診斷過程中的人為誤差，如何輔助臨床醫(yī)師更高效地完成臨床診療，預(yù)測患者在住院期間以及出院后長期的心血管事件風(fēng)險(xiǎn)，指導(dǎo)臨床治療、藥物調(diào)整和復(fù)查回訪的策略等方面。

但現(xiàn)階段的研究與真正應(yīng)用于臨床尚存在距離，后續(xù)研究不僅需要大量完善且規(guī)范的數(shù)據(jù)使AI在學(xué)習(xí)過程中更加準(zhǔn)確可靠，還需要對AI技術(shù)提供性能強(qiáng)大的計(jì)算機(jī)硬件支持；同時(shí)，也需要加深A(yù)I研究人員與臨床醫(yī)師的合作，使AI技術(shù)的實(shí)用性滿足臨床診治的需求。此外，針對患者疾病數(shù)據(jù)維度較大的特點(diǎn)，研究人員需在臨床醫(yī)師的幫助下進(jìn)行深度學(xué)習(xí)，去除無關(guān)的干擾變量、選擇適當(dāng)?shù)膶訑?shù)以減少計(jì)算時(shí)間和過擬合的發(fā)生。而在進(jìn)行有標(biāo)注的監(jiān)督學(xué)習(xí)前，研究人員需嚴(yán)格確保標(biāo)注信息的準(zhǔn)確性，以免造成錯(cuò)誤的分類引導(dǎo)?？偠灾?，未來AI在醫(yī)療領(lǐng)域尤其是心血管領(lǐng)域的潛能十分巨大，可通過加強(qiáng)AI研究人員與臨床醫(yī)師的緊密合作，推動(dòng)AI技術(shù)在該領(lǐng)域中的應(yīng)用，以實(shí)現(xiàn)合理利用AI技術(shù)輔助心血管疾病的有效診療。