心血管疾病影像診斷中AI 的應(yīng)用與進展

袁佳瑤，陳宇西，劉澤輝，辛 越，程 雯，楊 旭

（西安醫(yī)學(xué)院醫(yī)學(xué)技術(shù)學(xué)院，陜西 西安 710021）

0 引言

人工智能（artificial intelligence, AI）是基于計算機科學(xué)的多學(xué)科交叉研究[1]，核心技術(shù)為機器學(xué)習(xí)[2]（machine learning, ML）。隨著醫(yī)療大數(shù)據(jù)時代的到來，AI 的應(yīng)用涉及醫(yī)學(xué)的各個領(lǐng)域，為疾病的診療提供了新思路?；趥鹘y(tǒng)影像的心血管疾病的診療過度依賴醫(yī)師的經(jīng)驗和主觀判斷，且經(jīng)驗不足的年輕醫(yī)師存在誤診及漏診的現(xiàn)象[3]。將AI 應(yīng)用于心血管影像，能顯著提高醫(yī)師診斷效率及診斷精度，緩解醫(yī)療人力資源緊張狀況。進一步結(jié)合基因和病理信息能夠更加有針對性的實施精準(zhǔn)醫(yī)療。

1 人工智能概述

AI 是計算機學(xué)科的一個分支，是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)學(xué)科[4]。目前人工智能主要應(yīng)用于心血管疾病醫(yī)療圖像的處理和數(shù)據(jù)的分析。AI 主要的一個分支是ML，指導(dǎo)計算機在數(shù)據(jù)中學(xué)習(xí)，根據(jù)數(shù)據(jù)分析結(jié)果不斷改進算法模型，數(shù)據(jù)越多，得到的模型越準(zhǔn)確。深度學(xué)習(xí)（deep learning, DL）是ML 領(lǐng)域中一個新的研究方向，通過訓(xùn)練算法，建立新的模型，在識別文字、圖像、聲音等數(shù)據(jù)上有重大突破。其中卷積神經(jīng)網(wǎng)絡(luò)（CNN）是應(yīng)用最多的學(xué)習(xí)算法，它通過逐層特征變換，將醫(yī)學(xué)圖像轉(zhuǎn)變?yōu)榭梢暬臄?shù)據(jù)并進行分析，輔助臨床醫(yī)師進行診斷。

2 AI 在心血管疾病影像診斷中的應(yīng)用

2.1 AIˉCT

冠狀動脈CT 血管造影（CCTA）是篩查、診斷各類心血管疾病最重要的一項技術(shù)，因其無創(chuàng)且高效成為心臟影像檢查最常用的方法之一。將AI 應(yīng)用于CT 檢查心臟血管的整個過程，首先可以減少重建和分割圖像的時間，即AI 針對CT 成像過程的輔助，其次可以輔助臨床醫(yī)師診斷，還可以預(yù)防心血管疾病，預(yù)后評估及危險分層。

2.1.1 優(yōu)化CT 成像過程

心血管成像質(zhì)量與病人體質(zhì)量指數(shù)（BMI）相關(guān)[5]，隨著BMI 的增加，在其他決定影像質(zhì)量的因素不變的情況下，輻射量會逐漸增加。在AI 算法的優(yōu)化之下，現(xiàn)在基本實現(xiàn)在減少輻射量的同時保證影像質(zhì)量，還可以大幅縮短成像等待時間。Wolterink 等[6]提出卷積神經(jīng)網(wǎng)絡(luò)與對抗型神經(jīng)網(wǎng)絡(luò)聯(lián)合訓(xùn)練的方法可以消除低劑量下CT 圖像的噪聲影響，同時還可以進行圖像的分割。深度學(xué)習(xí)的AI 對于圖像的分割速度是人工分割的271 倍[7]。除此之外，近年新興的基于深度學(xué)習(xí)的重建（DLR）可以減少CCTA 中的噪聲，提高圖像的質(zhì)量，但不能改變圖像的空間分辨率，而Fuminari 等[8]開發(fā)了一種用于常規(guī)CT 圖像的超分辨率DLR（SRˉDLR），可以提高圖像的空間分辨率。

2.1.2 輔助各種疾病的診斷

（1）冠狀動脈鈣化。冠狀動脈鈣化量（CAC）作為心血管疾病因素之一在心臟鈣化評分CT（CSCT）被量化。Wolterink 等[9]提出在CCTA 中自動定量CAC 的方法。該方法使用監(jiān)督學(xué)習(xí)直接識別并同時進行量化。

（2）冠狀動脈斑塊。冠狀動脈斑塊的性質(zhì)對于診斷各類心血管疾病并預(yù)測其風(fēng)險有重要意義。目前DL 與斑塊性質(zhì)的識別相結(jié)合是AI 輔助診斷該疾病的重要研究熱點，Gessert 等[10]利用多年的診斷數(shù)據(jù)同DL 相結(jié)合，直接從圖像中學(xué)習(xí)各種斑塊的分類，在靈敏度和準(zhǔn)確度方面已達到資深影像醫(yī)生的水準(zhǔn)。Zhao 等[8]研究了深度學(xué)習(xí)的AI 診斷系統(tǒng)對各種斑塊的檢測效率的差異，發(fā)現(xiàn)診斷效率與斑塊類型息息相關(guān)，識別鈣化斑塊和混合斑塊效果優(yōu)于非鈣化斑塊。

（3）冠狀動脈狹窄。判定冠狀動脈狹窄的程度對于冠狀動脈粥樣硬化的患者有重要意義。血流儲備分數(shù)（FFR）是判斷冠狀動脈生理狀態(tài)的金標(biāo)準(zhǔn)[11]，不過FFR是有創(chuàng)性檢查方法，臨床運用大大受限。Robin[8]等研究發(fā)現(xiàn)基于機器學(xué)習(xí)的CCTA 衍生的FFR（CTˉFFR）可以一站式提供狹窄的解剖學(xué)和功能學(xué)信息，該方法因無創(chuàng)而前景廣闊。同時Verena 等[8]發(fā)現(xiàn)一種基于CCTA 的全自動人工智能檢測軟件，用于冠狀動脈疾病報告和數(shù)據(jù)系統(tǒng)（CADˉRADS），可以自動進行冠脈狹窄的評估，有很高的準(zhǔn)確度。

2.1.3 輔助預(yù)測心血管疾病的預(yù)后評估及風(fēng)險評估

目前，很多研究利用ML 算法構(gòu)建各種疾病的結(jié)局預(yù)測模型，Bauer 等[8]發(fā)現(xiàn)相較于傳統(tǒng)的風(fēng)險評估方法，AI 有更好的特征篩選及融合作用，相較人工預(yù)測有更好的可信度，更能準(zhǔn)確地預(yù)測心臟主要不良事件，近期發(fā)現(xiàn)若是將時間-事件分析引入整合臨床和CCTA 預(yù)測因子的機器學(xué)習(xí)模型，可提高個性化風(fēng)險預(yù)測的精準(zhǔn)度。

2.2 AIˉMRI

MRI 是利用氫原子核在靜磁場中進動產(chǎn)生信號，用計算機收集重建處理信號，得到圖像的一項先進技術(shù)，MRI 心臟成像實現(xiàn)了為無心臟搭橋的患者進行無輻射成像，Andrew 和他的團隊通過對比了AI 和人工的診斷結(jié)果發(fā)現(xiàn)AI 的表現(xiàn)優(yōu)于人工[8]，由于MRI 比較復(fù)雜且耗時耗力，引入AI 進行輔助診斷有明顯臨床價值。

AI 將磁共振得到的心臟圖像進行分割，使病變區(qū)域更加精確。例如，Bai 等[12]使用了4875 個受試者所成像出來的93500 個標(biāo)記的MRI 圖像，應(yīng)用AI 技術(shù)對其進行分割，以達到精確病灶結(jié)構(gòu)和病灶具體位置的作用，其精確程度與MRI 專家相當(dāng)。

AI 在MRI 心臟檢查中起到預(yù)測和預(yù)后的作用，進行完機器學(xué)習(xí)的AI，其數(shù)據(jù)中有大量疾病前期的表現(xiàn)和發(fā)展方向，AI 會讀取計算機中有關(guān)患者疾病的信息，在大數(shù)據(jù)中進行篩查，發(fā)現(xiàn)疾病的發(fā)展趨勢，幫助醫(yī)生在第一時間對其進行防范，在高風(fēng)險的病人早期干預(yù)中AI 的作用不可忽視。此外，在疾病的預(yù)后方面AI 提供的趨勢也能作為醫(yī)生的參考，讓醫(yī)生能迅速對疾病做出反應(yīng)，但是由于AI 的發(fā)展并不完善且大數(shù)據(jù)不能保證對每一種疾病都有記錄，疾病的發(fā)展和預(yù)后也會有其他突發(fā)狀況產(chǎn)生，所以目前AI 只能起到輔助作用而無法起到?jīng)Q定性作用。

2.3 AI-超聲

目前人工智能應(yīng)用于超聲心動圖的圖像采集和重建、圖像分類、心室分割和報告生成，研究方向主要聚焦在圖像分類和心臟分割。超聲圖像采集是一項很復(fù)雜的技術(shù)，有研究報道只要在圖像采集系統(tǒng)輸入患者的基本信息，人工智能就可以幫助操作者獲得臨床醫(yī)生所需要的圖像，這項技術(shù)的發(fā)展極大地縮短了圖像采集時間。Knamis 等[13]采用一種新的機器算法將心臟的尖端雙腔、四腔和長軸圖像進行分類，其正確率分別為97%、91%和97%。左心室一直是多數(shù)人工智能分割研究的焦點，有研究證實，應(yīng)用全卷積神經(jīng)網(wǎng)絡(luò)可以精準(zhǔn)地分割左心室。Tamborini 等[14]研究表示在某些特殊情況下（如先天性小心腔室疾?。?，人工智能不能準(zhǔn)確識別出左心室心肌，也就意味著不能很好地完成心室分割。隨著影像訓(xùn)練量的不斷增加，AI 對心室分割的準(zhǔn)確度會越來越高，在不久的將來這項技術(shù)有望為心血管疾病的診斷帶來極大的便利。Genovese 等[15]采用AI-超聲心動圖全自動測量右心室大小、體積和射血分數(shù)，結(jié)果顯示可以定量分析所有病人的右心室，但大多數(shù)還需要進行心內(nèi)膜輪廓編輯才可以進行精確的診斷。Ouyang 等[16]通過一種特殊的新型算法分割左心室、估計射血分數(shù)和識別心肌病，該方法效率高并且可重復(fù)利用。心臟超聲主要通過計算射血分數(shù)來評價心臟功能，將來可能會對射血分數(shù)的自動化計算及超聲心動圖參數(shù)快速檢測等方面進行研究[17]?；谌斯ぶ悄艿男呐K超聲影像檢查方法目前還存在一定的瑕疵，如在測定右心室大小和功能量化方面。但在不久的將來基于AI 的超聲心動圖技術(shù)會越來越高效、便利。輔助診斷更多的疾病，有望減輕醫(yī)師的負擔(dān)，緩解醫(yī)療資源緊張的狀況[18]。

2.4 AIˉSPECT

AI 在單光子發(fā)射計算機斷層成像（singlephoton emission omputed tomography, SPECT）中主要應(yīng)用于心肌灌注顯像（MPI），檢測識別心臟圖像并提取出關(guān)鍵特征，評估心肌灌注影像，篩查出呈現(xiàn)心肌缺血的圖像。AI 可區(qū)分正常和異常的SPECT 心肌灌注圖像，相較于人工視覺對圖像評分，使用全卷積神經(jīng)網(wǎng)絡(luò)對左心室心肌進行分割和測量，圖像的精準(zhǔn)分割提高了評估左心室功能的準(zhǔn)確度，進一步增強其診斷心肌缺血的能力。對于心血管疾病的預(yù)測，標(biāo)準(zhǔn)定量和專家評估的方法存在一定的誤差，將機器學(xué)習(xí)用于預(yù)測SPECT 顯像后血管重建，增加了每條血管和患者預(yù)測的敏感度，提高了診斷的準(zhǔn)確率。Alonso 等研發(fā)了機器學(xué)習(xí)的模型結(jié)合SPECT 心肌灌注圖像的數(shù)據(jù)來預(yù)測患者危險程度，表明了在心臟灌注成像中AI 的應(yīng)用可以指導(dǎo)醫(yī)師對病患進行早期干預(yù)。一些學(xué)者開展心肌灌注不足對于阻塞性冠狀動脈疾病的預(yù)測的研究。Betancur 等通過對AI 的訓(xùn)練和驗證，顯示DL 不僅提高了預(yù)測CAD 病人的心血管不良事件的準(zhǔn)確度，且表現(xiàn)出更好的預(yù)測患者疾病的潛能。隨著AI 算法的不斷發(fā)展，SPECT 在診斷和預(yù)測心臟疾病中將有更大的潛能。

3 AI 在應(yīng)用中的不足與完善

將AI 應(yīng)用于影像診斷被認為是未來智能醫(yī)學(xué)發(fā)展的組成部分。但仍有許多問題亟待解決：①數(shù)據(jù)質(zhì)量與數(shù)據(jù)標(biāo)注，人工智能是以醫(yī)療大數(shù)據(jù)為基礎(chǔ)，以監(jiān)督學(xué)習(xí)為主要學(xué)習(xí)方式，因此最終結(jié)果的準(zhǔn)確與否與數(shù)據(jù)質(zhì)量以及數(shù)據(jù)標(biāo)注密切相關(guān)。②小樣本學(xué)習(xí)，當(dāng)AI 在樣本量較小的數(shù)據(jù)集上訓(xùn)練時，會存在過擬合風(fēng)險，最后會導(dǎo)致其他數(shù)據(jù)集部署到該模型時通用性較差。③“黑匣子”問題，由于對算法的內(nèi)在邏輯認識還不十分清楚，因此在用AI 模型對數(shù)據(jù)進行處理的過程是人難以理解的，具有不可解釋性，是醫(yī)生和患者都難以接受的。

綜上所述，AI 要完全應(yīng)用于臨床，應(yīng)做出以下3 個方面的努力：①提高醫(yī)療數(shù)據(jù)的標(biāo)準(zhǔn)化，可以避免因算法不同，機器不同而造成的測量誤差。②建立和發(fā)展無縫數(shù)據(jù)庫，可以為AI 模型提供高質(zhì)量數(shù)據(jù)。③促進AI與臨床醫(yī)師結(jié)合，更好地滿足臨床需要，緩解醫(yī)療人力資源緊張的狀況，為實現(xiàn)精準(zhǔn)醫(yī)療奠定基礎(chǔ)。

盡管AI 在心血管疾病影像領(lǐng)域的研究與應(yīng)用仍處于初級階段，但已表現(xiàn)出巨大的潛力，未來AI 有望拓展在該領(lǐng)域中的應(yīng)用。隨著數(shù)字化醫(yī)療大數(shù)據(jù)時代的到來，AI 機會與挑戰(zhàn)并存，前景廣闊。