心血管病早期篩查的人工智能技術(shù)應(yīng)用

季偉敏 唐士敏 何俊德 王學(xué)斌 尹微 葛以山 羅顯元

中國(guó)心血管病患病率及死亡率仍處于上升階段,截至2018 年,推算心血管病患病人數(shù)2.9 億,其中腦卒中1 300 萬(wàn),冠心病1 100 萬(wàn),肺源性心臟病500 萬(wàn),心力衰竭450 萬(wàn),風(fēng)濕性心臟病250 萬(wàn),先天性心臟病200 萬(wàn),高血壓2.45 億,且心血管病死亡率居首位[1]。 以心肌梗死為代表的缺血性心臟病,更是成為全球疾病致死的首要原因。 心血管病發(fā)病因素多、病程長(zhǎng)、干擾因素多、發(fā)病機(jī)制復(fù)雜,難以精確構(gòu)建傳統(tǒng)的數(shù)學(xué)模型。 人工智能是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué),也是在計(jì)算機(jī)科學(xué)、心理學(xué)、語(yǔ)言學(xué)、統(tǒng)計(jì)學(xué)、哲學(xué)等多個(gè)學(xué)科研究基礎(chǔ)上發(fā)展而來(lái)的綜合性學(xué)科,是21 世紀(jì)三大尖端科技之一[2]。 人工智能方法可利用各種模糊邏輯理論的分類及回歸算法、人工神經(jīng)網(wǎng)絡(luò)算法、機(jī)器學(xué)習(xí)算法等技術(shù)手段,根據(jù)輸入的經(jīng)驗(yàn)和信息,以及構(gòu)建概念,完成那些對(duì)人類來(lái)說(shuō)容易執(zhí)行但難以形式化描述的任務(wù)[3],解決“無(wú)師自通”的辨識(shí)問(wèn)題。

心血管病早期篩查對(duì)象范圍廣、篩查項(xiàng)目多,應(yīng)用人工智能的技術(shù)與方法也不盡相同。 本文對(duì)心血管病早期篩查的相關(guān)文獻(xiàn)進(jìn)行綜述,從危險(xiǎn)因素篩查與評(píng)估分層,以及體檢篩查的實(shí)施這兩個(gè)層面對(duì)人工智能技術(shù)應(yīng)用進(jìn)行分析研究。

1 危險(xiǎn)因素篩查與評(píng)估分層的人工智能技術(shù)應(yīng)用

1.1 危險(xiǎn)因素篩查與評(píng)估分層內(nèi)容

根據(jù)國(guó)內(nèi)外最新的流行病學(xué)和心血管病防治的循證醫(yī)學(xué)證據(jù),我國(guó)制定了《中國(guó)心血管病風(fēng)險(xiǎn)評(píng)估和管理指南》,并將其作為開(kāi)展心血管病風(fēng)險(xiǎn)評(píng)估和危險(xiǎn)因素管理的指導(dǎo)方案,包括心血管病10年風(fēng)險(xiǎn)和終生風(fēng)險(xiǎn)評(píng)估的流程、風(fēng)險(xiǎn)分層依據(jù)和風(fēng)險(xiǎn)評(píng)估工具的使用[4]。 在《中國(guó)心血管病預(yù)防指南(2017)》《中國(guó)成人血脂異常防治指南(2016 年修訂版)》中,將5%和10%的缺血性心血管病風(fēng)險(xiǎn)分別作為劃分心血管病風(fēng)險(xiǎn)低、中、高危的切點(diǎn)值[5-7],再結(jié)合個(gè)體病史、風(fēng)險(xiǎn)水平等因素進(jìn)行分層管理。

1.2 評(píng)估分層的人工智能技術(shù)應(yīng)用

2016 年逄凱等[8]使用人工智能機(jī)器學(xué)習(xí)的隨機(jī)森林算法,提出了僅包含年齡、性別、職業(yè)、平均睡眠時(shí)間和體格檢查指標(biāo)等變量的冠心病篩查模型(敏感性80.75%,特異性63.45%)。 該模型能夠在保證精度的前提下減少所需輸入信息,顯著提高疾病篩查的時(shí)效性和模型的易用性,顯示出人工智能方法應(yīng)用于冠心病早期篩查及評(píng)估的潛力。 此外,從樣本數(shù)據(jù)的變量重要性排序中,還可以獲得疾病影響因素排序,有助于指導(dǎo)心血管疾病的日常監(jiān)督和管理。

2016 年楊學(xué)禮團(tuán)隊(duì)基于中國(guó)10 年大樣本隊(duì)列數(shù)據(jù)研究,建立了更符合中國(guó)人群特點(diǎn)的中國(guó)缺血性心血管病危險(xiǎn)預(yù)測(cè)模型,即China-PAR 模型[9]。該模型以性別、年齡、現(xiàn)居住地、地域、腰圍、總膽固醇(TC)、高密度脂蛋白膽固醇(HDL-C)、血壓、服用降壓藥、糖尿病、吸煙、心血管病家族史等為輸入指標(biāo),整合了“中國(guó)心血管健康多中心合作研究”(InterASIA)、“中國(guó)心血管病流行病學(xué)多中心協(xié)作研究”(ChinaMUCA)等4 項(xiàng)最新的中國(guó)人群前瞻性隊(duì)列隨訪數(shù)據(jù),總樣本量達(dá)12 萬(wàn),得到了更符合中國(guó)人群特點(diǎn)的低、中、高危切點(diǎn)劃分[9]。 預(yù)測(cè)模型采用綜合區(qū)分度改善指數(shù)、凈再分類改善指數(shù)等統(tǒng)計(jì)量和事先確定的納入及排除標(biāo)準(zhǔn),進(jìn)行模型自變量的篩選;以統(tǒng)計(jì)學(xué)及多變量多函數(shù)的邏輯關(guān)系為基礎(chǔ),對(duì)新危險(xiǎn)因素的增量信息建立數(shù)學(xué)模型并進(jìn)行預(yù)測(cè)[9]。 在楊學(xué)禮團(tuán)隊(duì)的上述定性分層研究中沒(méi)有用到人工智能的模糊邏輯理論與方法,但若要對(duì)某一群體進(jìn)行更準(zhǔn)確的危險(xiǎn)分層,則要以此為基礎(chǔ)進(jìn)一步細(xì)化模型并增加危險(xiǎn)因素。

上述研究主要是以普通人群為研究對(duì)象,以統(tǒng)計(jì)學(xué)及多變量多函數(shù)邏輯關(guān)系為基礎(chǔ),通過(guò)建立人工智能預(yù)測(cè)模型,對(duì)新風(fēng)險(xiǎn)因素的增量信息建立數(shù)學(xué)模型進(jìn)行預(yù)測(cè)。 目前的定性分層研究中沒(méi)有使用人工智能的模糊邏輯理論方法,但作為后期人工智能方法的應(yīng)用基礎(chǔ),可再納入變量及其定義,開(kāi)展前瞻性隊(duì)列分層研究,依托現(xiàn)代計(jì)算機(jī)技術(shù)能力的增強(qiáng)和數(shù)據(jù)樣本的增多,利用人工智能技術(shù)有望建構(gòu)實(shí)用性較強(qiáng)的預(yù)測(cè)模型。

2 體檢篩查的人工智能技術(shù)應(yīng)用

2.1 體檢篩查的分層方法

體檢篩查的實(shí)施是以評(píng)估分層原則為基礎(chǔ),以心血管病危險(xiǎn)因素的篩查與評(píng)估分層結(jié)果為基本參照依據(jù),對(duì)低、中、高不同危險(xiǎn)層級(jí)人群所做的心血管病早期篩查[10-11]。 下面我們針對(duì)不同心血管病危險(xiǎn)層級(jí)的早期篩查中所應(yīng)用的人工智能方法進(jìn)行研究分析。

2.2 低危人群早期篩查的人工智能技術(shù)應(yīng)用

除了常規(guī)體檢項(xiàng)目外,低危及以下體檢篩查人群的常規(guī)必查項(xiàng)目主要包括頸動(dòng)脈超聲檢查,脈搏波傳導(dǎo)速度、踝臂指數(shù)檢查。 2019 年肖月桐等[12]利用基于深度神經(jīng)網(wǎng)絡(luò)的人工智能技術(shù)方法,研究心電圖自動(dòng)分類診斷技術(shù),通過(guò)直接對(duì)預(yù)處理后的心電信號(hào)進(jìn)行神經(jīng)網(wǎng)絡(luò)圖形識(shí)別學(xué)習(xí)訓(xùn)練,逐層提取心電圖特征,最終擬合出心電圖自動(dòng)分類模型;再利用訓(xùn)練好的分類模型對(duì)臨床心電圖進(jìn)行分類診斷測(cè)試,取得了良好的效果。 該研究中運(yùn)用的人工智能技術(shù)主要是針對(duì)心電圖圖像進(jìn)行圖形特征識(shí)別,在深度學(xué)習(xí)訓(xùn)練中則采用監(jiān)督學(xué)習(xí)的方法。

李方潔[13]認(rèn)為,利用心電散點(diǎn)圖技術(shù)分析心電信號(hào),突破了過(guò)去計(jì)算機(jī)簡(jiǎn)單模仿人工診斷心電圖的局限性;通過(guò)對(duì)連續(xù)RR 序列進(jìn)行迭代作圖,可展現(xiàn)心率系統(tǒng)的非線性混沌特征,將人們認(rèn)識(shí)心臟節(jié)律的視野從傳統(tǒng)的心電散點(diǎn)圖二維波形圖,拓展至高維相空間的新的分析模式。 通過(guò)對(duì)心電動(dòng)力系統(tǒng)中的序列變量進(jìn)行大量迭代計(jì)算,得到相空間高維幾何構(gòu)形的吸引子心電散點(diǎn)圖,與心電波形圖進(jìn)行實(shí)時(shí)對(duì)照分析,能更好地表現(xiàn)出心電系統(tǒng)的混沌特征,更清晰地揭示傳統(tǒng)的動(dòng)態(tài)心電圖分析方法無(wú)法揭示的某些隱含規(guī)律,再通過(guò)人工智能深度學(xué)習(xí)的方法匹配模式識(shí)別。

2019 年易力等[14]借鑒了王聰?shù)萚15]研究構(gòu)建的一種人工智能神經(jīng)網(wǎng)絡(luò)模型,提出對(duì)取得的心電信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理后,利用確定學(xué)習(xí)理論算法獲得心電動(dòng)力學(xué)數(shù)據(jù),再進(jìn)行動(dòng)力學(xué)信號(hào)的異質(zhì)度特征提取,即基于心電信號(hào)混沌系統(tǒng)量化[16]特征值的計(jì)算,并通過(guò)大數(shù)據(jù)樣本的機(jī)器學(xué)習(xí)訓(xùn)練,得出疾病的模式識(shí)別方法。 由于心電動(dòng)力學(xué)信號(hào)比心電信號(hào)的敏感性更強(qiáng),因此,利用這種人工智能技術(shù)識(shí)別心血管病病理特征的敏感性與特異性也大幅超過(guò)心電圖圖形識(shí)別,具有應(yīng)用于低危人群早期篩查的潛力。

目前,低危人群早期篩查的人工智能技術(shù)應(yīng)用主要集中在常規(guī)體檢項(xiàng)目中的心電信號(hào)分析領(lǐng)域。由于心電檢查具有無(wú)損、快捷、便于普及等優(yōu)勢(shì),心電信號(hào)蘊(yùn)含著反映心臟電過(guò)程的敏感信息,加之心電臨床診斷技術(shù)日益成熟,因此,隨著心電大數(shù)據(jù)的發(fā)展與處理技術(shù)的進(jìn)步,相關(guān)研究將更趨于廣泛和深入。 這正是心電信號(hào)分析先行得到人工智能技術(shù)加持的主要原因。

2.3 中危人群體檢篩查的人工智能技術(shù)應(yīng)用

2.3.1 中危人群體檢篩查內(nèi)容 中危及以上無(wú)癥狀體檢人群應(yīng)接受專業(yè)推薦項(xiàng)目檢查。 專業(yè)推薦項(xiàng)目主要包括心臟超聲檢查、血管內(nèi)皮功能檢查、動(dòng)態(tài)血壓檢查、動(dòng)態(tài)心電圖檢查、運(yùn)動(dòng)心電圖檢查、心血管病相關(guān)生物標(biāo)記物檢查[10-11]。

2.3.2 專業(yè)推薦項(xiàng)目的人工智能技術(shù)應(yīng)用 2017年李嶺海[17]提出,使用人工智能深度學(xué)習(xí)方法處理超聲心動(dòng)圖,以解決由于圖像模糊所造成的人工判讀難度大、準(zhǔn)確度低的問(wèn)題。 利用SURF 算法等分別提取患者超聲切面圖像的特征,然后比較測(cè)試圖像特征值和訓(xùn)練圖像特征值的差異,計(jì)算識(shí)別準(zhǔn)確率。 模型的實(shí)現(xiàn)則采用Caffe 開(kāi)放學(xué)習(xí)維護(hù)深度學(xué)習(xí)框架,訓(xùn)練出可識(shí)別心臟病類型的模型。 深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)超聲心動(dòng)圖的識(shí)別準(zhǔn)確率最高可達(dá)98%。2016 年張鷗[18]建立了動(dòng)脈粥樣硬化早期診斷的炎癥因子診斷模型:首先,基于Logistic 回歸分析篩選出用于建模的炎癥因子;然后,分別用ROC 曲線、支持向量機(jī)、BP 神經(jīng)網(wǎng)絡(luò)建立動(dòng)脈粥樣硬化早期診斷模型。 該研究為臨床早期發(fā)現(xiàn)動(dòng)脈粥樣硬化及動(dòng)脈粥樣硬化斑塊的發(fā)展情況奠定了理論依據(jù)。 圍繞專業(yè)推薦項(xiàng)目的人工智能技術(shù)應(yīng)用,主要集中于圖像智能識(shí)別領(lǐng)域,即利用神經(jīng)網(wǎng)絡(luò)建模技術(shù)替代人工經(jīng)驗(yàn)識(shí)別。 現(xiàn)階段,針對(duì)篩查人群進(jìn)行大數(shù)據(jù)分析的技術(shù)應(yīng)用還不夠成熟,主要是因?yàn)閿?shù)據(jù)量的擴(kuò)大及數(shù)據(jù)的準(zhǔn)確標(biāo)記有賴于調(diào)動(dòng)更多的資源來(lái)完成。

2.4 高危人群體檢篩查的人工智能技術(shù)應(yīng)用

2.4.1 高危人群體檢篩查內(nèi)容 針對(duì)發(fā)現(xiàn)明顯異常的高危人群,視情況推薦其接受專業(yè)備選項(xiàng)目檢查。 專業(yè)備選項(xiàng)目為核素心肌灌注顯像(myocardial perfusion imaging,MPI)、冠狀動(dòng)脈鈣化的電子束計(jì)算機(jī)斷層掃描檢測(cè)、冠狀動(dòng)脈CT 血管造影(coronary computed tomography angiography,CCTA)[10-11]。

2.4.2 專業(yè)檢查項(xiàng)目的人工智能技術(shù)應(yīng)用 2019年張海濤等[19]采用前瞻性研究、盲法評(píng)估、自身對(duì)照設(shè)計(jì),基于評(píng)估冠狀動(dòng)脈生理功能的新型軟件,利用人工智能技術(shù)計(jì)算基于CCTA 的血流儲(chǔ)備分?jǐn)?shù)(fractional flow reserve based on CT imaging,FFRCT);以疑似冠心病患者為研究對(duì)象,計(jì)算FFRCT診斷功能性心肌缺血的準(zhǔn)確性、特異性、敏感性、陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值。 研究結(jié)果表明,該軟件在功能性心肌缺血的評(píng)估方面具有較高的準(zhǔn)確性及敏感性,實(shí)現(xiàn)了FFRCT的無(wú)創(chuàng)檢查。 該評(píng)估軟件基于圖像的解剖學(xué)信息,利用人工智能的深度學(xué)習(xí)技術(shù)取代FFRCT所需的復(fù)雜運(yùn)算過(guò)程,計(jì)算出了FFRCT,其技術(shù)核心是由海量的人工神經(jīng)元所組成的神經(jīng)網(wǎng)絡(luò)。2020 年胡小麗等[20]采用人工智能技術(shù)對(duì)CCTA 圖像進(jìn)行處理與診斷研究,在保證圖像質(zhì)量及報(bào)告診斷效率的前提下,證實(shí)了人工智能軟件在處理速度上較人類更有優(yōu)勢(shì)(3 minvs.20 min)。 在圖像的自動(dòng)分割和識(shí)別中,則采用深度學(xué)習(xí)方法,并利用最優(yōu)網(wǎng)絡(luò)探尋技術(shù)(optimal path detection)和專業(yè)Loss函數(shù),當(dāng)面對(duì)更加復(fù)雜的圖像時(shí),仍能進(jìn)行更完整、更準(zhǔn)確、更光滑的血管分割,從而提高識(shí)別效率。

對(duì)應(yīng)用于高危人群體檢篩查項(xiàng)目的人工智能技術(shù),在技術(shù)集成度和設(shè)備精密度上都有更高的要求。 目前,上述人工智能技術(shù)在對(duì)醫(yī)學(xué)圖像的計(jì)算模擬和精確處理方面,已經(jīng)取得了一定的實(shí)際應(yīng)用效果,但仍然只能作為人工診斷的必要補(bǔ)充。

2.5 自我篩查(監(jiān)控)的人工智能技術(shù)應(yīng)用

2020 年張勇等[21]評(píng)估了目前大學(xué)生所穿戴的智能手表、智能手環(huán)等智能設(shè)備對(duì)體育鍛煉的影響。 該研究中檢測(cè)了穿戴設(shè)備傳感器所提供的心率變異性(與心臟健康呈正相關(guān))、靜息心率(與健康呈負(fù)相關(guān))以及睡眠質(zhì)量的指標(biāo)值,并普遍采用統(tǒng)計(jì)學(xué)算法進(jìn)行分析。

2019 年 Hannun 等[22]對(duì) 91 232 份單導(dǎo)聯(lián)心電圖進(jìn)行人工智能分析,取得了不低于專業(yè)醫(yī)師人工診斷的心律失常檢測(cè)準(zhǔn)確率。 該研究通過(guò)建立深度神經(jīng)網(wǎng)絡(luò),利用人工智能技術(shù)經(jīng)驗(yàn)性地找出輸入數(shù)據(jù)(即心電圖)與輸出數(shù)據(jù)(即診斷)之間的關(guān)系,并據(jù)此高敏感性、高準(zhǔn)確性地給出診斷。 這項(xiàng)基于單導(dǎo)聯(lián)心電圖的研究成果可作為人體可穿戴設(shè)備的基礎(chǔ)技術(shù),對(duì)未來(lái)心律失?；颊叩淖晕冶O(jiān)測(cè)意義重大。

總體來(lái)說(shuō),普通人群的自我篩查(監(jiān)控)正處于從計(jì)算機(jī)統(tǒng)計(jì)智能逐漸向人工智能過(guò)渡的階段,人工智能技術(shù)應(yīng)用方興未艾[23]。 隨著數(shù)據(jù)量的擴(kuò)大和技術(shù)的進(jìn)一步成熟,尤其在解決了隱私與安全保護(hù)問(wèn)題以后,用于自我篩查的可穿戴設(shè)備才能真正普及。

3 總結(jié)

當(dāng)今,隨著國(guó)民生活方式的轉(zhuǎn)變與人口老齡化、城市化進(jìn)程的加劇,心血管病發(fā)病人數(shù)仍在持續(xù)增加,費(fèi)用負(fù)擔(dān)不斷加重,心血管病成為重大公共衛(wèi)生問(wèn)題。 心血管病的早期篩查成為疾病防治的重要課題。

在危險(xiǎn)因素篩查與評(píng)估分層方面,目前主要是利用有限的要素進(jìn)行定性分析,而要實(shí)現(xiàn)更多因素的半定量分析,還有很長(zhǎng)的路要走。 在體檢篩查中,人工智能技術(shù)廣泛應(yīng)用于圖形(像)的處理。 基于人工智能技術(shù)聯(lián)合CTA 獲得FFRCT是近年國(guó)內(nèi)外較流行的技術(shù),可以通過(guò)模擬仿真成像進(jìn)行準(zhǔn)確可視的心血管檢測(cè),充分顯示出人工智能技術(shù)的強(qiáng)大能力。 基于心電動(dòng)力學(xué)數(shù)據(jù)的混沌學(xué)特征值,利用人工智能神經(jīng)網(wǎng)絡(luò)建模及動(dòng)態(tài)算法技術(shù),可在不借助圖形(像)的條件下,實(shí)現(xiàn)對(duì)心臟疾病的高敏感性和高特異性檢測(cè),在早期篩查中顯示出巨大的應(yīng)用潛力。

人工智能技術(shù)是當(dāng)前醫(yī)療技術(shù)的熱點(diǎn)之一,其在心血管病早期篩查領(lǐng)域的應(yīng)用尚處在數(shù)據(jù)處理的智能化階段,原因是人工智能技術(shù)應(yīng)用對(duì)數(shù)據(jù)量與標(biāo)記數(shù)據(jù)質(zhì)量存在高度依賴。 未來(lái)隨著網(wǎng)絡(luò)技術(shù)的進(jìn)一步深化、可穿戴設(shè)備的普及和人機(jī)交互的發(fā)展,人工智能技術(shù)在個(gè)性化檢測(cè)轉(zhuǎn)接系統(tǒng)、評(píng)估模型與電子病歷結(jié)合等方面,將擁有廣闊的應(yīng)用前景[24-25]。 應(yīng)用于心血管病早期篩查的人工智能技術(shù)及產(chǎn)品,其研發(fā)周期較長(zhǎng)、研究相對(duì)獨(dú)立、數(shù)據(jù)具有敏感性,相對(duì)其他行業(yè)的人工智能技術(shù)應(yīng)用有所滯后,但隨著研究和應(yīng)用的深入,定會(huì)在不久的將來(lái)呈現(xiàn)爆發(fā)式增長(zhǎng)。