人工智能在心房顫動(dòng)預(yù)測(cè)中的價(jià)值

秦地茂 李夢(mèng)依 吳霜 鄧祁 姚堯 劉英杰 鄭穎

(西南交通大學(xué)附屬醫(yī)院 成都市第三人民醫(yī)院 成都市心血管病研究所，四川 成都 610031)

在21世紀(jì)，隨著大數(shù)據(jù)的爆發(fā)和算法的改進(jìn)，人工智能飛速發(fā)展，因其有從海量數(shù)據(jù)中學(xué)習(xí)的能力，并將結(jié)果應(yīng)用于不同的環(huán)境，被稱之為21世紀(jì)科技領(lǐng)域的皇冠。基于人工智能的應(yīng)用已在包括醫(yī)學(xué)的許多領(lǐng)域中開(kāi)展。最近，研究者們將其用于臨床疾病的預(yù)測(cè)和診斷[1]。心血管疾病是全世界范圍內(nèi)最主要的死亡原因之一，在廣大發(fā)展中國(guó)家，心血管疾病負(fù)擔(dān)正逐漸增加。目前，基于人工智能的系統(tǒng)已廣泛應(yīng)用于心血管成像和心血管疾病風(fēng)險(xiǎn)預(yù)測(cè)[2-4]，尤其是支持向量機(jī)算法。

然而，人工智能在心律失常方面的應(yīng)用依舊是冰山一角。心房顫動(dòng)(房顫)作為一種主要的心律失常，與卒中和心力衰竭密切相關(guān)，危害極大，增加了社會(huì)和經(jīng)濟(jì)負(fù)擔(dān)。對(duì)于房顫，現(xiàn)有的篩查手段不佳，而人工智能在該領(lǐng)域發(fā)展十分迅速，潛力極大[5]。現(xiàn)主要闡述人工智能預(yù)測(cè)房顫的進(jìn)展。

1 人工智能與機(jī)器學(xué)習(xí)

人工智能主要指模擬和模仿人類智能以解決實(shí)際問(wèn)題的計(jì)算程序。20 世紀(jì) 50 年代“人工智能”被首次提出，至今60多年的發(fā)展，人工智能以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)為核心，在視覺(jué)、語(yǔ)音、通信等領(lǐng)域快速發(fā)展，悄然改變著人們的生活及工作方式。人工智能可從海量數(shù)據(jù)中學(xué)習(xí)，并基于學(xué)習(xí)的模型執(zhí)行任務(wù)，而機(jī)器學(xué)習(xí)是人工智能中主要的核心領(lǐng)域，主要基于人類經(jīng)驗(yàn)和知識(shí)所創(chuàng)建的預(yù)設(shè)規(guī)則而執(zhí)行任務(wù)。其主要目的在于構(gòu)建類似人腦的神經(jīng)網(wǎng)絡(luò)，運(yùn)算模型主要包括人工神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)。

機(jī)器學(xué)習(xí)主要包括了監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)及深入學(xué)習(xí)等。監(jiān)督學(xué)習(xí)中目前最常用的算法是人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。非監(jiān)督學(xué)習(xí)包括了聚類算法和關(guān)聯(lián)規(guī)則算法等。深入學(xué)習(xí)包括了循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)以及深度神經(jīng)網(wǎng)絡(luò)[1]。

在這些機(jī)器學(xué)習(xí)方式中，比較值得提出的是支持向量機(jī)，它是一種二類分類模型。它的基本模型是定義在特征空間上的間隔最大的線性分類器，間隔最大使它有別于感知機(jī)；支持向量機(jī)還包括核技巧，這使它成為實(shí)質(zhì)上的非線性分類器。支持向量機(jī)的泛化錯(cuò)誤率較低，具有良好的學(xué)習(xí)能力，且學(xué)到的結(jié)果具有很好的推廣性，這些優(yōu)點(diǎn)使得支持向量機(jī)十分流行。

2 人工智能預(yù)測(cè)房顫的應(yīng)用

2.1 現(xiàn)有的房顫預(yù)測(cè)以及問(wèn)題

房顫是一種常見(jiàn)的節(jié)律紊亂，與缺血性腦血管事件和心力衰竭的風(fēng)險(xiǎn)有關(guān)[3]。在人工智能應(yīng)用于臨床醫(yī)學(xué)之前，大量的研究已經(jīng)證實(shí)了多個(gè)可以預(yù)測(cè)房顫的危險(xiǎn)因素，包括房顫病史、實(shí)驗(yàn)室數(shù)據(jù)(如心臟炎癥生物標(biāo)志物等)、影像學(xué)數(shù)據(jù)(如心臟計(jì)算機(jī)斷層掃描、心臟磁共振成像、超聲心動(dòng)圖等)和電生理數(shù)據(jù)。在機(jī)器學(xué)習(xí)的預(yù)測(cè)中，最常見(jiàn)的變量有年齡、種族、身高、體重、血壓、吸煙狀況、用藥情況和合并癥。另外一些心臟結(jié)構(gòu)異常的變量，包括心房纖維化、心房擴(kuò)大、二尖瓣反流和心房應(yīng)變，已被證明是房顫的預(yù)測(cè)因素[6-8]。另外，其他的一些變量，如C型利尿鈉肽、C反應(yīng)蛋白、半胱氨酸蛋白酶抑制劑和血管內(nèi)皮功能障礙等指標(biāo)也被逐漸引入房顫的預(yù)測(cè)之中[9-10]?？傮w而言，有大量的臨床變量已被證明可以單獨(dú)或與其他變量聯(lián)合來(lái)預(yù)測(cè)房顫。

2.2 機(jī)器學(xué)習(xí)應(yīng)用于房顫預(yù)測(cè)

2.2.1 心電圖結(jié)合臨床數(shù)據(jù)預(yù)測(cè)房顫

在一項(xiàng)納入了200萬(wàn)例受試者的大型研究中，Tiwari等[11]將200多個(gè)最常見(jiàn)的健康數(shù)據(jù)(包括人口統(tǒng)計(jì)學(xué)和共病數(shù)據(jù))與機(jī)器學(xué)習(xí)模型相結(jié)合預(yù)測(cè)6個(gè)月之內(nèi)的房顫，最后其曲線下面積(area under curve，AUC)為0.79，該結(jié)果與非機(jī)器學(xué)習(xí)的臨床房顫風(fēng)險(xiǎn)評(píng)分是一致的。Sekelj等[8]對(duì)來(lái)自英國(guó)的200多萬(wàn)初級(jí)保健患者預(yù)測(cè)7年的房顫事件的研究中，另一種機(jī)器學(xué)習(xí)算法在訓(xùn)練數(shù)據(jù)集中AUC為0.83，而在驗(yàn)證數(shù)據(jù)集中AUC為0.87，這表明與傳統(tǒng)的風(fēng)險(xiǎn)評(píng)分相比，機(jī)器學(xué)習(xí)模型性能更好。

在最近一項(xiàng)近300萬(wàn)例患者的英國(guó)的研究[11]中，研究人員將一種帶有時(shí)變協(xié)變量的機(jī)器學(xué)習(xí)算法與Charge-AF風(fēng)險(xiǎn)評(píng)分進(jìn)行了比較。研究結(jié)果提示時(shí)變模型的AUC為0.827，而應(yīng)用于同一人群的Charge-AF風(fēng)險(xiǎn)評(píng)分的AUC為0.725，其中，充血性心力衰竭對(duì)房顫事件的預(yù)測(cè)貢獻(xiàn)最大。雖然這些算法沒(méi)有經(jīng)過(guò)前瞻性的測(cè)試，也沒(méi)有得到外部驗(yàn)證，但其樣本量大、數(shù)據(jù)充分，可靠性有較大的保證。然而，現(xiàn)有的機(jī)器學(xué)習(xí)算法也存在諸多缺陷，許多因素會(huì)影響結(jié)果的真實(shí)性。首先，不同研究的隨訪時(shí)間差異很大，從6個(gè)月到10多年不等，這將導(dǎo)致隨訪時(shí)間不足，如Tiwari研究隨訪時(shí)間為6個(gè)月，可能由于隨訪時(shí)間較短而降低了測(cè)試性能，不能真正辨別出“真假陽(yáng)性”。

2.2.2 心電圖的數(shù)據(jù)模擬預(yù)測(cè)房顫

心電圖的自動(dòng)解析中監(jiān)督學(xué)習(xí)最為常見(jiàn)，原因在于機(jī)器學(xué)習(xí)模型能夠精準(zhǔn)識(shí)別不同的心電圖波形。此外，一些判斷ST段變化以及房顫和傳導(dǎo)阻滯的模型也被廣泛應(yīng)用[10]。例如，有研究者提出了一種新型的心律特征提取方法，該方法使用小波變換和自回歸建模來(lái)描記心電圖，然后運(yùn)用支持向量機(jī)對(duì)不同心律失常進(jìn)行分類。驗(yàn)證結(jié)果發(fā)現(xiàn)該方法對(duì)竇性心律、左束支傳導(dǎo)阻滯、右束支傳導(dǎo)阻滯、室性期前收縮和房性期前收縮測(cè)試準(zhǔn)確度分別為100%、98.66%、100%、99.66%和100%。

此外，利用大量心電圖的數(shù)據(jù)模擬醫(yī)生分類和識(shí)別房顫是另外一種方法。后者可分為以下幾類：(1)基于心電圖波形預(yù)測(cè)房顫：主要是P波，其理論依據(jù)在于即使心臟結(jié)構(gòu)似乎完全正常，在房顫發(fā)生之前，心房可能就存在纖維化、缺血、心肌肥大，這些可能導(dǎo)致輕微的、在心電圖上肉眼難以察覺(jué)到的P波改變。以前的一些研究[12-14]結(jié)果表明，心電圖表現(xiàn)如P波持續(xù)時(shí)間、離散度和振幅，以及心房期前收縮的形態(tài)和頻率，已被證明可以預(yù)測(cè)房顫的發(fā)生，其AUC為0.69～0.87。當(dāng)然，除P波改變之外，如QRS波群、T波改變也被用于預(yù)測(cè)房顫。一項(xiàng)研究[15]納入了652例接受24小時(shí)動(dòng)態(tài)心電圖監(jiān)測(cè)的患者。結(jié)果發(fā)現(xiàn)房性期前收縮收縮特征占收縮負(fù)荷百分比是房顫的危險(xiǎn)因素，其AUC為0.58。此外，心電圖的諸多成分已被證明與消融后房顫復(fù)發(fā)的風(fēng)險(xiǎn)相關(guān)。例如，在一項(xiàng)對(duì)140例患者的研究[16]中，包括房顫患者心電圖的主導(dǎo)頻率、規(guī)則指數(shù)和組織指數(shù)在內(nèi)的多個(gè)心電圖特征對(duì)房顫消融后的復(fù)發(fā)顯示出預(yù)測(cè)價(jià)值。(2)基于心率變異性預(yù)測(cè)房顫：Ebrahimzadeh等[17]在53例心電圖記錄的患者中進(jìn)行了一項(xiàng)小型研究，試圖使用心電圖監(jiān)測(cè)中的心率變異性分析評(píng)估不同的機(jī)器學(xué)習(xí)技術(shù)以預(yù)測(cè)房顫。在這項(xiàng)自身對(duì)照研究中，所有患者都有陣發(fā)性房顫發(fā)作，其中房顫發(fā)作前30 min獲得的5 min心電圖節(jié)段(房顫標(biāo)記)與房顫終止45 min后獲得的5 min心電圖節(jié)段(非房顫標(biāo)記)進(jìn)行比較。研究者從心率變異信號(hào)中識(shí)別出線性、非線性和時(shí)頻特征，且發(fā)現(xiàn)組合的機(jī)器學(xué)習(xí)方法比傳統(tǒng)的機(jī)器學(xué)習(xí)分類器(多層感知器、K最近鄰和支持向量機(jī))性能更好。

2.2.3 利用生物信息學(xué)數(shù)據(jù)預(yù)測(cè)房顫

其他的包括基于心電圖時(shí)程以及導(dǎo)聯(lián)也被應(yīng)用于房顫的預(yù)測(cè)，但是，總體而言，研究較少，目前未得到廣泛推廣。此外，利用機(jī)器學(xué)習(xí)挖掘生物信息學(xué)預(yù)測(cè)房顫也逐漸成為現(xiàn)實(shí)。一項(xiàng)生物信息學(xué)研究[18]從基因表達(dá)綜合(gene expression omnibus，GEO)數(shù)據(jù)庫(kù)中下載了4個(gè)微陣列數(shù)據(jù)集，包括130個(gè)瓣膜性心臟病患者房顫或竇性心律的心房樣本。采用微陣列薈萃分析來(lái)鑒定差異表達(dá)基因。研究者利用涉及微陣列薈萃分析的130個(gè)樣本的訓(xùn)練集，將基于機(jī)器學(xué)習(xí)相關(guān)性的特征選擇方法(correlation-based feature selection，CFS)引入了房顫的選定基因。結(jié)果鑒定出30種具有一致趨勢(shì)的生物標(biāo)志物。此外，通過(guò)CFS方法從30種生物標(biāo)志物中選擇了10個(gè)核心基因，包括8個(gè)上調(diào)基因(CD44、CHGB、FHL2、GGT5、IGFBP2、NRAP、SEPTIN6和YWHAQ)和2個(gè)下調(diào)基因(TNNI1和TRDN)。其準(zhǔn)確率為87.5%，AUC為0.995。

2.2.4 房顫復(fù)發(fā)的預(yù)測(cè)

除了對(duì)房顫的預(yù)測(cè)之外，少量研究探討了機(jī)器學(xué)習(xí)對(duì)于預(yù)測(cè)房顫復(fù)發(fā)的作用。國(guó)外的一項(xiàng)研究[19]探討了機(jī)器學(xué)習(xí)預(yù)測(cè)射頻消融術(shù)后房顫復(fù)發(fā)的風(fēng)險(xiǎn)：在訓(xùn)練集中，低風(fēng)險(xiǎn)組的AUC值為0.935，中危組的AUC值為0.855，高危組的AUC值為0.965。機(jī)器學(xué)習(xí)模型成功地預(yù)測(cè)了測(cè)試集中的高危組房顫的風(fēng)險(xiǎn)。這些結(jié)果提示機(jī)器學(xué)習(xí)成功地將射頻消融術(shù)后進(jìn)展為永久性房顫的高?；颊哌M(jìn)行了分類。這項(xiàng)結(jié)果也在另一個(gè)大型的觀察性研究中得到了證實(shí)[20]。

3 展望與不足

人工智能已滲透入醫(yī)學(xué)的方方面面，與傳統(tǒng)統(tǒng)計(jì)方法相比，機(jī)器學(xué)習(xí)引入了云計(jì)算，在海量樣本的支持下，更容易發(fā)現(xiàn)內(nèi)在的規(guī)律，在預(yù)測(cè)房顫方面已經(jīng)初步顯示出優(yōu)越性，此外，機(jī)器學(xué)習(xí)終端設(shè)備(如手機(jī)及智能設(shè)備)的出現(xiàn)可以給醫(yī)療提供實(shí)施決策，給患者帶來(lái)較好的體驗(yàn)。然而，機(jī)器學(xué)習(xí)中，數(shù)據(jù)的清洗、數(shù)據(jù)庫(kù)的整合以及倫理方面仍然存在諸多應(yīng)用的難點(diǎn)，真正應(yīng)用于臨床仍然存在一定時(shí)間。