機器學習在心血管疾病影像學診斷中的應用

宋聞英 深圳市精神衛(wèi)生中心/深圳市康寧醫(yī)院心電圖室 （廣東 深圳 518000）

內容提要：影像學資料是心血管疾病的臨床診療的重要參考數據，臨床檢驗師可根據患者的影像學資料對患者的臨床信息進行判定，為進一步的臨床干預提供指導。但在實際使用的過程中，限于人員臨床經驗及獲得影像學資料的主觀性，其臨床利用率較低。如何提升影像學資料的價值，以機器學習為代表的人工智能手段提出了新的解決思路。文章總結了機器學習在心血管疾病影像學診斷方法中的應用，對已經獲得的方法進行了對比，為后續(xù)機器學習在臨床診斷、小樣本的深度分析及臨床應用提供了參考。

隨著臨床影像學的發(fā)展，臨床檢驗設備的創(chuàng)新以及檢驗醫(yī)生經驗能力的提升，臨床影像學的準確性不斷提高，但在實際的操作過程中仍然面臨著大量的問題。如：限于不同醫(yī)院儀器設備的差異以及診斷醫(yī)生的能力限制，存在著部分臨床圖像無法分辨，導致臨床采集的數據利用率不高，診斷醫(yī)生工作效率不高的問題。醫(yī)學影像學多為經驗醫(yī)學，出具的報告單多由診斷醫(yī)生形成，而醫(yī)生之間的經驗會導致最終結果的差異，因此，出具報告單是否能夠真實、全面、正確地反映患者的病情，尚需評斷。如前所述，臨床醫(yī)生的經驗，會對采集部位、最終的診斷結果產生影響，這就需要臨床診斷醫(yī)生通過大量的臨床訓練來彌補上述不足，隨之產生的時間及精力成本對整個行業(yè)都是巨大的挑戰(zhàn)。作為臨床的重要手段之一，現(xiàn)代影像學在臨床多用于疾病的定性診斷，然而，如何利用現(xiàn)有的臨床診斷數據，用于定量，尤其是綜合臨床其他的診斷數據，對患者的身體情況進行綜合的評價，尚需要大量的積累。

機器學習是伴隨人工智能發(fā)展的一門學科，是人工智能的一個子領域，機器學習算法根據描述數據的專家工程特征學習執(zhí)行任務。大量的研究顯示，機器學習可以有效地應用于現(xiàn)代化的影像學的應用當中，利用其多層結構的算法及深度學習特性，潛在性地提升醫(yī)學影像學的精度，同時，也為后續(xù)的精準治療提供數據接口。

1.機器學習契合在心血管疾病診斷

機器學習隸屬于人工智能范疇，作為現(xiàn)代信息化技術，其利用現(xiàn)有的多角度的平面化數據及分析結果總結算法，建立多維模型；而這些模型可以模擬人腦的神經網絡，通過持續(xù)不斷的算法訓練，利用深度信念網絡、卷積神經網絡、循環(huán)神經網絡、生成式對抗網絡及膠囊網絡等學習模型，將復雜的數據簡化，最終輸出判定結果[1,2]。而機器學習的過程，特別適用于臨床影像學的判定。

作為臨床應用影像學最多的疾病，心血管疾病往往需要以影像學的資料進行臨床的輔助診斷，同時作為臨床最為常見的疾病，以心血管疾病為切入點，可以快速提升機器學習在醫(yī)學影像學中的應用效果，彌補其臨床的缺點?；诖?，下文將深入探討近年來機器學習在心血管疾病診斷中的應用，為實現(xiàn)心血管疾病的早期診斷及早期治療提供信息化的支持。

2.機器學習在冠狀動脈鈣化值評估中的應用

在動脈粥樣硬化發(fā)病過程中，冠狀動脈鈣化（Coronary Artery Calcium，CAC）是判定心血管不良事件預后的重要參數。但CAC的計算方法尚存一些問題亟待解決。如對于鈣化范圍的判定，雖然影像學多以不同部位的鈣化趨勢作為判定標準，如分別以點狀、節(jié)段及彌漫性鈣化定義鈣化的程度，但對于病灶位置的選擇及鈣化形態(tài)的判定多依賴于臨床醫(yī)師的經驗?；诖?，Wolterink等[3]嘗試以機器學習的方法，對CAC鈣化點的位置及面積進行提取，以深度學習自動定量模式識別手段，直接定量CAC，從根本上細化了CAC值的計算方式；Shadmi等[4]則建立了以全卷積深層神經網絡為內核的冠狀動脈鈣化自動分割方法，用于評估CAC值，最終的統(tǒng)計結果顯示，該方法準確高效；Datong等[7]基于大量的臨床影像學數據，構建了一種基于深度學習的算法，用于評估CAC值，可準確檢測復雜影像學背景下的冠狀動脈鈣化點/面；Yang等[5]則根據已經獲得的CT圖像中，主動脈、心臟和冠狀動脈等部位的分割結果，其對CAC值計算的靈敏度和陽性預測值分別為98.9%和94.8%。

3.機器學習在心血管疾病超聲診斷中的應用

超聲診斷是心臟類疾病檢驗中重要的檢測手段，其利用超聲直接獲得心血管的結構信息，進而對患者的病情進行判斷。超聲心動圖因其便攜性、高時間分辨率、無輻射、成本低而得到廣泛應用。在過去幾年中，歐洲心臟病學會推薦超聲心動圖用于大多數心臟疾病的診斷和預后。這些建議導致需要認真處理和審查的已執(zhí)行研究數量大大增加，圖像分析的標準工作模式（包括量化和報告）已經變得非常耗費資源和時間?；诔暭夹g，現(xiàn)在已經開發(fā)出一系列的商業(yè)軟件用于臨床數據的直接分析，如通用的EchoPAC系統(tǒng)、飛利浦QLAB系統(tǒng)等。然而相對于心血管疾病的復雜性，單純的血管分割、血液流變學分析已經無法滿足臨床的實際需要，針對軟件獲得結果，仍然需要醫(yī)師后期進行系統(tǒng)的解析方可實現(xiàn)。具有數字超聲心動圖圖像的大量數據集的存在和人工智能技術的發(fā)展創(chuàng)造了一種環(huán)境，在這種環(huán)境中，人工智能解決方案成為解決問題的方向，利用機器學習則可實現(xiàn)該過程的人工智能化，以此來實現(xiàn)當前的手動工作流程的自動化。目前，以圖像采集、分析、報告和教育的人工智能解決方案已開發(fā)用于超聲心動圖的診斷和預測任務，圖像質量增強、自動圖像視圖分類、心功能評估、疾病分類和心臟事件預測的性能總體良好，左心室功能評估和量化最為常見。未來，人工智能在超聲心動圖中的主要優(yōu)勢預計將來自自動化分析和解釋的改進，以減少工作量和改善臨床結果。如Khamis[6]以臨床的309張UCG圖片建庫，提取圖片的空間特征并建立監(jiān)督型字典，對患者的心尖病變進行判定，經過模型的訓練，其對UCG圖片的識別和分類的準確率高達95%。Knackstedt等[7]以255名竇性心率患者的心臟超聲數據為數據庫，以TomTec機器學習系統(tǒng)采集射血分數和雙翼縱向應變的數值后，對比機器測量值同人工評估的值進行對比后可知，最終模型的準確率可達98%。Dong等[8]嘗試以機器學習手段對3D超聲心動圖進行左心室心內膜的分割，其結果顯示，以機器學習手段對模型進行修正，大幅提升了臨床圖片的判斷率。由上述結果可知，以機器學習對心血管疾病超聲的數據進行整理，效果較好，有很高的臨床應用潛力，可以在未來替代部分醫(yī)生的工作。

4.機器學習對動脈粥樣硬化斑塊性質識別的應用

機器學習還可直接評價動脈粥樣硬化斑塊的性質。在動脈粥樣硬化發(fā)病的過程中，斑塊的性質，尤其是其進一步增大、破裂是其后續(xù)血栓性疾病發(fā)生的關鍵。因此，利用影像學資料對斑塊的形態(tài)及性質進行初步判斷，是降低動脈粥樣硬化患者臨床風險，預防血栓脫落，造成心梗及腦梗的關鍵。雖然血清炎癥因子等指標可以直接反映斑塊的理化性質，但在臨床仍然以影像學資料描述斑塊的性質，常見的檢測手段包括：多層螺旋CT、寶石CT能譜成像、高分辨率磁共振成像、增強磁共振成像、常規(guī)超聲、對比增強超聲造影、血管內超聲及血管內虛擬組織學超聲等[9,10]。相比于CAC值的評估，動脈粥樣硬化斑塊的性質判定需要的檢測經驗更多，對醫(yī)師的檢驗能力要求更高，而利用機器學習技術，是解決上述問題的潛在路徑。Gessert等[11]利用3位臨床專家標記的臨床患者CT圖像數據集，以深度學習模型對上述數據集進行分類。最終，該模型可以有效地對斑塊的分期進行分級，而最終的分級，準確度為91.7%，靈敏度為90.9%，特異性為92.4%。Kolossváry等[12]則利用放射組學的數據庫，以機器學習反復訓練對上述圖像進行深度學習。通過對模型的反復訓練，餐巾環(huán)征斑塊和非餐巾環(huán)征斑塊之間，有20.6%（916/4440）的放射組學顯著性差異（Bonferroni校正后的P<0.0012），該結果可以用于餐巾環(huán)征的CT影像學識別。

5.機器學習在心血管影像分割中的應用

冠狀動脈狹窄是冠狀動脈粥樣硬化性心臟病發(fā)生的主要原因之一，針對冠狀動脈狹窄的評估，可以為后續(xù)的心血管疾病診斷治療，提供第一手的依據。臨床上，常常以影像學手段對冠狀動脈進行評估。但由于冠狀動脈結構復雜，不同部位、不同類別的圖象，均有各自不同的特點，因此首先需要對血管進行系統(tǒng)的分割，如多尺度法、區(qū)域生長方法、匹配濾波法、數學形態(tài)學法、基于血管架構的方法和基于脊的方法[13]?？紤]到冠狀動脈血管的復雜性，如何實現(xiàn)對冠狀動脈整體的分割，分別考察其診斷意義，是心血管影像學亟待解決的問題。

為了識別心外膜脂肪組織和冠狀動脈血管，Commandeur等[14]以250名無癥狀志愿者的CT數據為訓練集，分別利用多任務卷積神經網絡（ConvNet）和統(tǒng)計形狀模型對上述數據集進行機器學習，該模型可有效識別心外膜脂肪組織和胸腔內脂肪組織，接近專家的量化評價值。為了將冠狀動脈血管從造影結果中有效分離出來，并進一步真實反映其臨床形態(tài)，Tan等[15]以多通道全卷積網絡進行深度學習，從X射線血管造影結果中識別偽影，經過模型的反復訓練，最終可真實地反映出冠狀動脈血管的結構，該方法可以有效地對冠狀動脈血管進行分割，大幅提升了冠狀動脈血管的影像學識別效率。在Bratt等[16]的研究中，其利用神經網絡分割了心血管磁共振所獲得的冠狀動脈血管數據，有效地識別了相差。其根據主動脈瓣邊界的臨床影像，對150名患者的心血管磁共振資料進行分析，經過機器學習后，大幅提升了該模型對于PC的識別。

6.展望

隨著人工智能的發(fā)展，機器學習在醫(yī)療領域的應用范圍得到了進一步的擴展。伴隨著人工大數據研究的深入，利用臨床影像學資料可以深入挖掘、校驗獲得的臨床信息。機器學習除了用于臨床影響資料的輔助判定外，亦可對影像資料修復，識別，進一步反哺臨床。伴隨機器學習，除了可以用于臨床影像資料的修正及檢驗外，亦可通過臨床信息，構建兩者的內在聯(lián)系，進一步優(yōu)化模型，增加醫(yī)學影像診斷的效能，實現(xiàn)其從影像學資源向定量定性分析的轉化。毫無疑問，隨人工智能和大數據技術的發(fā)展，針對影像學臨床評價的算法和影響組學的應用，可以大幅提升心血管影像學的臨床診斷及篩查效率，特別是對冠狀動脈狹窄程度評估及動脈粥樣硬化斑塊成分的分析，更加客觀準確，從而有效降低。