人工智能賦能醫(yī)學(xué)影像在先天性心臟病醫(yī)學(xué)診治中的研究進(jìn)展

林錫祥 楊菲菲 陳煦 何昆侖

(1.中國人民解放軍總醫(yī)院醫(yī)學(xué)大數(shù)據(jù)研究中心，北京 100853;2.中國人民解放軍總醫(yī)院解放軍醫(yī)學(xué)院，北京 100853)

先天性心臟病(congenital heart disease，CHD)簡稱先心病，是最常見的出生缺陷之一，指的是原始心臟組織在發(fā)育過程中出現(xiàn)異常，導(dǎo)致胎兒出生后出現(xiàn)心臟或大血管解剖結(jié)構(gòu)和功能異常。根據(jù)國家衛(wèi)生部發(fā)布的《中國出生缺陷防治報(bào)告(2012)》[1]，CHD的圍產(chǎn)期發(fā)病率逐年上升且占據(jù)出生缺陷的首位，約為4‰。然而，CHD因早期癥狀不明顯而常出現(xiàn)漏診，延誤治療的CHD患兒在嬰兒期的死亡率為30%，且致殘率與漏診率有顯著相關(guān)關(guān)系[2-3]。早發(fā)現(xiàn)、早診斷、早治療CHD有利于降低嬰兒死亡率、減少殘疾、提高出生人口素質(zhì)，具有重要的醫(yī)學(xué)和社會(huì)學(xué)意義。因此，有效提高CHD篩查效率的工具和技術(shù)亟需開發(fā)。近年來，人工智能技術(shù)的發(fā)展突飛猛進(jìn)，深度學(xué)習(xí)(deep learning，DL)算法憑借其高效性、客觀性和準(zhǔn)確性廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域[4-6]。在心血管領(lǐng)域，DL在醫(yī)學(xué)影像學(xué)方面大放異彩，在超聲、核磁和CT等影像手段上能實(shí)現(xiàn)圖像采集、切面識(shí)別、病灶分割、參數(shù)測(cè)量和疾病診斷等任務(wù)的自動(dòng)化，大大提高了診斷的準(zhǔn)確性和可靠性。本文圍繞基于人工智能技術(shù)的醫(yī)學(xué)影像在CHD的診斷和治療中的應(yīng)用展開綜述。

1 人工智能應(yīng)用于CHD的產(chǎn)前診斷

產(chǎn)前診斷是CHD篩查的首要環(huán)節(jié)，主要為胎兒超聲心動(dòng)圖檢查。多篇文獻(xiàn)[7-8]報(bào)道，與產(chǎn)后診斷相比較，產(chǎn)前診斷能讓醫(yī)生及時(shí)進(jìn)行子宮內(nèi)治療，并且改善新生兒介入或手術(shù)治療的結(jié)局。目前，胎兒超聲在中國仍未得到廣泛應(yīng)用，主要面臨以下兩大障礙：第一，圖像質(zhì)量要求高。由于胎兒體位多變、心臟體積小、超聲聲窗差等原因，臨床工作中會(huì)出現(xiàn)質(zhì)量參差不齊的超聲圖像，影響結(jié)果的判斷。第二，對(duì)解讀胎兒超聲圖像的醫(yī)生要求高。有文獻(xiàn)[9-10]報(bào)道臨床醫(yī)生通過標(biāo)準(zhǔn)超聲切面判斷復(fù)雜性CHD的診斷效能低至30%，其中特異性為50%。盡管經(jīng)驗(yàn)豐富的高年資醫(yī)生能作出準(zhǔn)確的判斷，但心臟病學(xué)專家在發(fā)展落后的地區(qū)少之又少，而這些正是CHD高發(fā)病率的地區(qū)。針對(duì)上述問題，很多學(xué)者圍繞人工智能應(yīng)用于CHD產(chǎn)前診斷這一方向開展研究。

人工智能可從多個(gè)方面優(yōu)化胎兒超聲心動(dòng)圖的流程，包括圖像獲取、圖像優(yōu)化、自動(dòng)測(cè)量和疾病診斷。早期有研究團(tuán)隊(duì)開發(fā)了一套胎兒智能導(dǎo)航超聲心動(dòng)圖系統(tǒng)(FINE)，該系統(tǒng)可輔助醫(yī)生采集9個(gè)標(biāo)準(zhǔn)胎兒心臟切面，在減少對(duì)操作者依賴的同時(shí)提升圖像質(zhì)量[11]。后續(xù)很多研究將FINE應(yīng)用于多種復(fù)雜CHD的產(chǎn)前診斷和胎兒心臟功能的監(jiān)測(cè)中，結(jié)果顯示該系統(tǒng)極大地提高了CHD產(chǎn)前診斷的便捷性和可靠性[12-13]。圖像優(yōu)化方面，Gu等[14]利用大型多中心胎兒超聲心動(dòng)圖數(shù)據(jù)庫，建立規(guī)范胎兒超聲心動(dòng)圖測(cè)量的q評(píng)分系統(tǒng)，為CHD產(chǎn)前診斷及預(yù)后判斷提供參考指標(biāo)。Dong等[15]提出了一個(gè)用于胎兒四腔心切面質(zhì)量控制的通用DL框架，該框架由三個(gè)卷積神經(jīng)網(wǎng)絡(luò)組成，分別實(shí)現(xiàn)粗分類、細(xì)分類和結(jié)構(gòu)檢測(cè)的功能。超聲參數(shù)的量化是疾病診斷的重要前提，Bridge等[16]利用真實(shí)醫(yī)療機(jī)構(gòu)數(shù)據(jù)來設(shè)計(jì)和訓(xùn)練一種模型，該模型可逐幀地識(shí)別和分割胎兒心臟。其他研究團(tuán)隊(duì)[17-18]也致力于實(shí)現(xiàn)心動(dòng)周期的自動(dòng)識(shí)別以及四腔心切面的分割。疾病診斷方面，Gong等[19]基于11萬張視頻截圖的胎兒超聲數(shù)據(jù)集，提出新的DL算法——DGACNN，在胎兒四腔心切面上識(shí)別CHD準(zhǔn)確率為85%，高于心臟病專家的水平。該研究同時(shí)解決了罕見病訓(xùn)練數(shù)據(jù)不足、標(biāo)注困難以及訓(xùn)練模型魯棒性不足等問題。Arnaout等[20]報(bào)道，將107 823個(gè)視頻用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，模型自動(dòng)識(shí)別胎兒超聲心動(dòng)圖標(biāo)準(zhǔn)切面和診斷復(fù)雜性CHD，最終在評(píng)價(jià)診斷效能方面模型的曲線下面積(area under the curve，AUC)為0.99。

上述這些研究所提出的人工智能技術(shù)在幫助臨床醫(yī)生完成CHD產(chǎn)前診斷方面具有很大的潛力。在當(dāng)今遠(yuǎn)程醫(yī)療快速發(fā)展的背景下，CHD產(chǎn)前診斷智能化可有效解決邊遠(yuǎn)農(nóng)村地區(qū)診斷水平落后的問題。人工智能使診斷的效率大大提升，從而促進(jìn)胎兒超聲檢查的推廣和普及，提高CHD早期篩查率。

2 人工智能應(yīng)用于CHD的產(chǎn)后診斷

隨著醫(yī)療技術(shù)的不斷發(fā)展，CHD的存活率不斷提高。據(jù)報(bào)道[21]，在歐美國家中，90%的CHD嬰兒能存活到成年期，而成年人占總體CHD患者的2/3。因此，產(chǎn)后診斷是CHD篩查不可或缺的環(huán)節(jié)，其主要包括超聲心動(dòng)圖檢查和心臟磁共振(cardiac magnetic resonance，CMR)檢查[21-22]。影像技術(shù)的多樣化，意味著能從多個(gè)維度去看待CHD，為后續(xù)治療提供更為精準(zhǔn)的判斷。近年來，越來越多的研究將人工智能技術(shù)與不同的影像技術(shù)結(jié)合，實(shí)現(xiàn)CHD診斷和分級(jí)的智能化。

2.1 超聲心動(dòng)圖

超聲心動(dòng)圖檢查，因具有便捷性、實(shí)時(shí)性和準(zhǔn)確性等優(yōu)勢(shì)，是目前CHD檢查應(yīng)用最廣泛的影像手段之一，尤其適用于篩查結(jié)構(gòu)性心臟病。超聲心動(dòng)圖有多種模態(tài)，包括經(jīng)胸超聲心動(dòng)圖、經(jīng)食管超聲心動(dòng)圖、血管內(nèi)超聲、三維超聲和超聲造影等，各有優(yōu)勢(shì)，互相補(bǔ)充。超聲的出現(xiàn)極大地提高了CHD的診斷水平，因此許多研究開始將人工智能技術(shù)和超聲的不同模態(tài)結(jié)合，推動(dòng)超聲在CHD領(lǐng)域的發(fā)展。

Herz等[23]報(bào)道，利用全卷積網(wǎng)絡(luò)分析三維超聲心動(dòng)圖，對(duì)左心室發(fā)育不全患者的三尖瓣進(jìn)行分割，結(jié)果得出的Dice相似系數(shù)和平均邊界距離為0.86和0.35 mm，為患者后續(xù)的手術(shù)計(jì)劃提供快速且準(zhǔn)確的參考信息。Diller等[24]的研究納入132例大動(dòng)脈轉(zhuǎn)位患者，利用經(jīng)胸超聲心動(dòng)圖的心尖四腔心切面和胸骨旁長軸切面訓(xùn)練DL算法，最終模型的診斷效能為98%，同時(shí)模型能準(zhǔn)確分割心室結(jié)構(gòu)(Dice相似系數(shù)為0.79～0.88)。另有研究[25]應(yīng)用人工智能技術(shù)對(duì)四腔心切面進(jìn)行降噪和去除偽影的處理，結(jié)果明顯提高了模型對(duì)CHD的診斷效能。為克服單切面的局限性，Wang等[26]綜合分析指南推薦的5個(gè)標(biāo)準(zhǔn)超聲切面，人工智能模型判斷房室間隔缺損的準(zhǔn)確率為95.4%，同時(shí)還能準(zhǔn)確識(shí)別診斷所需的關(guān)鍵幀。該研究的一個(gè)不足之處是模型不能自動(dòng)篩選所需切面，這是因?yàn)楝F(xiàn)有的切面分類模型在CHD患者中不能取得同樣的準(zhǔn)確性。為此，Wegner等[27]針對(duì)多種CHD的影像數(shù)據(jù)集開發(fā)卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)17個(gè)標(biāo)準(zhǔn)二維超聲心動(dòng)圖切面的自動(dòng)分類，準(zhǔn)確率為76.1%。

2.2 CMR

CMR由于檢查程序繁瑣、耗時(shí)較長、分析效率偏低等局限性，在臨床工作中未被廣泛應(yīng)用于CHD的篩查。但相比于超聲心動(dòng)圖，CMR具有更高的圖像分辨率，對(duì)病灶的細(xì)節(jié)有更為清晰的呈現(xiàn)。CMR能重建心臟的三維信息，不僅在疾病診斷方面表現(xiàn)突出，且能提供更多更全面的預(yù)后信息。目前，CMR在CHD領(lǐng)域正發(fā)揮越來越重要的作用，與其相匹配的人工智能相關(guān)研究也日漸增多。

為解決當(dāng)前CMR臨床普及性低所致樣本量不足的問題，有研究團(tuán)隊(duì)提出使用漸進(jìn)式生成對(duì)抗網(wǎng)絡(luò)人工合成CMR圖像。為驗(yàn)證這一模型的可行性，學(xué)者[28]將原有真實(shí)圖像和人工合成圖像用于訓(xùn)練法洛四聯(lián)癥心臟結(jié)構(gòu)的分割模型，結(jié)果表明額外加入人工合成圖像后，模型分割效能得到顯著提升。復(fù)雜CHD患者早期診斷和術(shù)前計(jì)劃的重要條件是心肌和心室的分割。然而，由于CHD心血管結(jié)構(gòu)的高度多樣性和心臟缺陷引起的血流動(dòng)力學(xué)變化，分割任務(wù)仍面臨著巨大的挑戰(zhàn)。為此，Chen等[29]開發(fā)多尺度擴(kuò)張卷積模塊全連接網(wǎng)絡(luò)，在CMR圖像上分割房間隔缺損，與醫(yī)學(xué)專家分割相比模型誤差為1.72 mm。有研究團(tuán)隊(duì)也提出一種基于擴(kuò)張殘差和混合金字塔池化網(wǎng)絡(luò)的集成多任務(wù)DL框架，用于心肌和心室的自動(dòng)分割。在公開數(shù)據(jù)集中，模型分割心室結(jié)構(gòu)的Dice相似系數(shù)平均為0.9[30]。為進(jìn)一步提升CMR的圖像質(zhì)量，Hauptmann等[31]利用殘差卷積神經(jīng)網(wǎng)絡(luò)，為CHD患者的CMR圖像實(shí)現(xiàn)自動(dòng)去偽影，結(jié)果表明利用模型重建數(shù)據(jù)得到的測(cè)量值與醫(yī)生測(cè)量值無顯著統(tǒng)計(jì)學(xué)差異。此外，對(duì)比增強(qiáng)磁共振血管造影常用于復(fù)雜CHD的評(píng)估，而造影劑的使用往往存在劑量相關(guān)不良反應(yīng)的風(fēng)險(xiǎn)。有研究團(tuán)隊(duì)[32]利用人工智能技術(shù)模擬增強(qiáng)核磁影像，使每次檢查的造影劑劑量降低80%，有效降低造影劑引起的不良反應(yīng)發(fā)生率。

目前，眾多針對(duì)CHD的人工智能模型已被開發(fā)應(yīng)用，這些模型在不同影像模態(tài)中自動(dòng)提取重要信息，極大地提高了疾病診斷的效率。然而由于CHD的罕見性，許多研究只使用了相對(duì)較小的數(shù)據(jù)集，這使模型的泛化能力受到限制。為解決這一實(shí)際問題，有學(xué)者創(chuàng)新性地提出了采用合成數(shù)據(jù)補(bǔ)充訓(xùn)練數(shù)據(jù)量的方法，最終模型效能可達(dá)到真實(shí)數(shù)據(jù)的訓(xùn)練水平[28]。

3 人工智能應(yīng)用于CHD的輔助治療

CHD由于其生理結(jié)構(gòu)復(fù)雜多變、血流動(dòng)力學(xué)紊亂和心臟發(fā)育的不確定性，在選擇治療方案時(shí)需考慮多方面的因素，這要求經(jīng)驗(yàn)豐富的醫(yī)生團(tuán)隊(duì)對(duì)患者進(jìn)行詳細(xì)的評(píng)估。然而，在當(dāng)今醫(yī)療資源分配不均、供不應(yīng)求的背景下，臨床醫(yī)生難以對(duì)CHD患者進(jìn)行全面的評(píng)估，尤其是在CHD高發(fā)的邊遠(yuǎn)落后地區(qū)。為實(shí)現(xiàn)CHD的精準(zhǔn)治療，基于人工智能的CHD輔助治療決策研究必不可少。

3.1 術(shù)前決策

Chang Junior等[33]收集2 240例CHD患者的臨床數(shù)據(jù)，比較了6種機(jī)器學(xué)習(xí)算法預(yù)測(cè)術(shù)前死亡風(fēng)險(xiǎn)的效能，最終發(fā)現(xiàn)隨機(jī)森林算法的AUC最高為0.90，且能找到多個(gè)關(guān)鍵預(yù)測(cè)因素。Bertsimas等[34]利用機(jī)器學(xué)習(xí)最佳分類樹方法構(gòu)建CHD手術(shù)的風(fēng)險(xiǎn)評(píng)估工具，模型預(yù)測(cè)死亡率、術(shù)后機(jī)械通氣支持時(shí)間和住院時(shí)間的AUC分別為0.86、0.85和0.82，同時(shí)具有可解釋性并且給出重要風(fēng)險(xiǎn)因素。Ruiz-Fernández等[35]報(bào)道，評(píng)估4種機(jī)器學(xué)習(xí)算法，將CHD手術(shù)分為低復(fù)雜性、中等復(fù)雜性和高復(fù)雜性，模型判斷的準(zhǔn)確性為80%～99%。Loke等[36]利用算法在CMR圖像上模擬計(jì)算法洛四聯(lián)癥修復(fù)術(shù)后的血流動(dòng)力學(xué)參數(shù)，從而預(yù)測(cè)肺動(dòng)脈瓣置換術(shù)的成功率。這些方法能優(yōu)化CHD的治療決策，實(shí)現(xiàn)全面質(zhì)量管理和精準(zhǔn)治療計(jì)劃。

3.2 術(shù)中輔助

CHD患者因解剖結(jié)構(gòu)變異性大和手術(shù)復(fù)雜程度高，所以出現(xiàn)術(shù)中和術(shù)后并發(fā)癥的可能性也相對(duì)較大。為此，很多研究利用人工智能技術(shù)，提升CHD手術(shù)術(shù)中和術(shù)后管理水平。Lu等[37]利用循環(huán)生成對(duì)抗網(wǎng)絡(luò)，將CHD患者的超聲和CT影像進(jìn)行配準(zhǔn)用作手術(shù)導(dǎo)航，為手術(shù)醫(yī)生提供更為詳盡的解剖信息。Zhang等[38]使用生成對(duì)抗網(wǎng)絡(luò)在CT圖像上模擬法洛四聯(lián)癥修復(fù)手術(shù)所需補(bǔ)片的大小、形狀和位置信息，大大降低術(shù)中誤判率。Liu等[39]用機(jī)器學(xué)習(xí)算法優(yōu)化主動(dòng)脈狹窄修復(fù)手術(shù)的血管移植物形狀，使血流能量損失降低30%，有效保證血流動(dòng)力學(xué)的穩(wěn)定性。Lo Muzio等[40]使用法洛四聯(lián)癥術(shù)前術(shù)后的影像數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，在開胸手術(shù)期間能以95%的陽性預(yù)測(cè)值實(shí)時(shí)評(píng)估患者術(shù)后情況，幫助心臟外科醫(yī)生在胸部閉合前做出最優(yōu)決策。

3.3 術(shù)后管理

Zeng等[41]報(bào)道，通過集成患者的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)、手術(shù)特定特征和術(shù)中血壓數(shù)據(jù)，開發(fā)可解釋的機(jī)器學(xué)習(xí)模型用于預(yù)測(cè)兒科CHD手術(shù)后的并發(fā)癥，模型預(yù)測(cè)心臟并發(fā)癥的準(zhǔn)確率最高AUC為0.94。Lu等[42]收集房間隔缺損患者接受封堵術(shù)前后的CMR數(shù)據(jù)，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型用以分割心腔，提示封堵器的大小和位置從而反映手術(shù)成功率，減少術(shù)后并發(fā)癥。Shi等[43]構(gòu)建可解釋的機(jī)器學(xué)習(xí)模型預(yù)測(cè)CHD患兒術(shù)后發(fā)生營養(yǎng)不良的風(fēng)險(xiǎn)，這將有助于臨床醫(yī)生提前為患兒制定個(gè)性化治療和營養(yǎng)隨訪策略。這些研究有效預(yù)測(cè)CHD手術(shù)患者術(shù)后的并發(fā)癥，有利于及時(shí)采取治療措施和提高預(yù)后質(zhì)量。

4 人工智能應(yīng)用于CHD患者的終生健康管理

隨著產(chǎn)前診斷和圍手術(shù)期管理的不斷進(jìn)步，CHD患者的生存率得到顯著提高。然而，這類患者在接受治療后仍有發(fā)育障礙的風(fēng)險(xiǎn)，甚至部分患者會(huì)有遠(yuǎn)期后遺癥[44]。因此，利用人工智能技術(shù)為CHD患者提供預(yù)后預(yù)測(cè)和健康管理指導(dǎo)，對(duì)提高患者遠(yuǎn)期生存率和生活質(zhì)量至關(guān)重要。

Ruiz等[45]報(bào)道，將專家醫(yī)學(xué)知識(shí)和患者臨床數(shù)據(jù)集成到樸素貝葉斯模型，預(yù)測(cè)監(jiān)護(hù)室患兒發(fā)生不良事件的概率，結(jié)果顯示模型在事件發(fā)生前1 h的預(yù)測(cè)效能最高(AUC=0.88)。同樣，Rusin等[46]利用DL算法為單心室患兒開發(fā)實(shí)時(shí)監(jiān)測(cè)模型，對(duì)所有心肺功能惡化事件自動(dòng)發(fā)出1～2 h的提前預(yù)警，模型對(duì)獨(dú)立驗(yàn)證數(shù)據(jù)具有較高的準(zhǔn)確性，中位AUC為0.96。Samad等[47]收集法洛四聯(lián)癥修復(fù)術(shù)后患者相隔6個(gè)月以上的2次CMR數(shù)據(jù)，訓(xùn)練支持向量機(jī)分類器用以預(yù)測(cè)心室功能惡化風(fēng)險(xiǎn)，其中區(qū)分有無惡化及惡化程度的AUC分別為0.82和0.77。Diller[48]等也利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)法洛四聯(lián)癥患者發(fā)生室性心律失常和心源性猝死的風(fēng)險(xiǎn)，并且提出右心房面積擴(kuò)大和右心室縱向功能下降是獨(dú)立危險(xiǎn)因素。另外，Cainelli等[49]的團(tuán)隊(duì)對(duì)CHD術(shù)后兒童進(jìn)行至少18個(gè)月的神經(jīng)心理學(xué)和精神病理學(xué)評(píng)估，并且采用機(jī)器學(xué)習(xí)算法進(jìn)行聚類分析，發(fā)現(xiàn)CHD患兒在神經(jīng)生理方面存在高度的個(gè)體間差異，而這些差異先前未能被人們所識(shí)別。以上研究不僅能從病理生理學(xué)角度對(duì)CHD患者進(jìn)行預(yù)后分析，且能對(duì)患兒的神經(jīng)生理發(fā)育軌跡進(jìn)行預(yù)測(cè)，這說明人工智能技術(shù)在評(píng)估CHD預(yù)后、指導(dǎo)治療和遠(yuǎn)期健康管理等方面發(fā)揮著前所未有的作用。

5 小結(jié)與展望

受基因、表觀遺傳和環(huán)境等多方面因素的影響，CHD的臨床表現(xiàn)和發(fā)病機(jī)制呈現(xiàn)出高度的復(fù)雜性和異質(zhì)性，為疾病的診斷和治療帶來巨大的挑戰(zhàn)。當(dāng)前，人工智能研究在CHD領(lǐng)域方興未艾，這項(xiàng)技術(shù)到底能為醫(yī)療行業(yè)帶來多大的影響，取決于醫(yī)學(xué)、計(jì)算機(jī)學(xué)以及工程學(xué)之間的長期合作與共同探索。盡管目前存在數(shù)據(jù)匱乏、基礎(chǔ)設(shè)施落后等障礙，但隨著大數(shù)據(jù)學(xué)科和人工智能技術(shù)的不斷發(fā)展，CHD診治模式將轉(zhuǎn)變?yōu)閭€(gè)性化和精準(zhǔn)化醫(yī)療。

利益沖突所有作者均聲明不存在利益沖突