機器學習在心血管疾病輔助診斷中的研究:現(xiàn)狀與未來進展

王 麗, 計禮麗, 陸浩軒, 謝燕青, 何文明*

機器學習在心血管疾病輔助診斷中的研究:現(xiàn)狀與未來進展

王 麗1, 計禮麗2, 陸浩軒1, 謝燕青1, 何文明1*

（1.寧波大學附屬第一醫(yī)院, 浙江 寧波 315020; 2.寧波大學 醫(yī)學部, 浙江 寧波 315211）

心血管疾病具有高發(fā)病率、高住院率、高致殘率、高死亡率等特征, 伴隨高額的治療疾病負擔, 早期準確診斷心血管疾病意義重大. 以機器學習(ML)為代表的人工智能心血管疾病輔助診斷技術(shù)為診斷心血管疾病提供了新方法. 基于ML疾病診斷技術(shù)日趨成熟, 且在各類心血管疾病中取得諸多進展, 包括冠心病、心力衰竭及心律失常等. 本文綜述了ML在心血管疾病輔助診斷中的技術(shù)背景和研究現(xiàn)狀, 分析了該領(lǐng)域在臨床轉(zhuǎn)化應(yīng)用方面的挑戰(zhàn), 并對未來研究進行了展望.

心血管疾病; 機器學習; 人工智能; 輔助診斷

心血管疾病(Cardiovascular Diseases, CVDs)是全球人口死亡和致殘的主要疾病之一, 通常包括冠狀動脈粥樣硬化性心臟病(Coronary AtheroscleroticHeart Disease, CAD)、心力衰竭(Heart Failure, HF)、心律失常、高血壓、心臟瓣膜病、心肌病等. 據(jù)文獻[1]顯示, CVDs全球患病率和死亡率不斷上升, 患病人數(shù)從1990年的2.71億人增加到2019年的5.23億人; 同期死亡人數(shù)從1210萬人增加到1860萬人, 占全球總死亡人數(shù)的1/3. CVDs的治療費用預(yù)計將從2010年的8630億美元增長到2030年的10440億美元[2]. 由于CVDs具有高發(fā)病率、高住院率、高致殘率和高死亡率等特點, 早期發(fā)現(xiàn)對降低致殘率和死亡意義重大.

人工智能(Artificial Intelligence, AI)的興起為醫(yī)療數(shù)據(jù)處理和挖掘提供了新方法[3-4]. AI可以有效地輔助臨床醫(yī)師診斷CVDs, 并進行持續(xù)監(jiān)測, 做到早發(fā)現(xiàn)、早治療, 從而減少急性心血管事件的發(fā)生, 減輕患者經(jīng)濟負擔并改善預(yù)后[5]. 機器學習(Machine Learning, ML)作為AI一個重要分支, 是指機器能夠獨立學習并做出準確預(yù)測的能力. 傳統(tǒng)計算機程序由研究者設(shè)置特定規(guī)則, 并根據(jù)這些規(guī)則處理輸入信息, 被稱為基于規(guī)則的算法[6]. 例如心電圖(Electrocardiogram, ECG)的自動診斷技術(shù)已在臨床中廣泛使用. 近年來越來越多的研究者關(guān)注ML在醫(yī)學領(lǐng)域的應(yīng)用(圖1).

研究發(fā)現(xiàn)[7-8], ML在CVDs輔助診斷中發(fā)揮著重要作用. ML主要分為監(jiān)督學習和無監(jiān)督學習. 監(jiān)督學習是指利用已知的特定特征樣本作為訓(xùn)練集建立數(shù)學模型, 然后用已建立的模型映射新的未知樣本, 主要用于疾病的診斷模型和風險預(yù)測模型. 監(jiān)督學習模型通常包括Logistic回歸、K近鄰(K-Nearest Neighbors, KNN)、決策樹、支持向量機(Support Vector Machine, SVM)、樸素貝葉斯、隨機森林(Random Forest, RF)以及人工神經(jīng)網(wǎng)絡(luò)模型[9-10]. 無監(jiān)督學習指根據(jù)未知類別的訓(xùn)練樣本, 通過模式識別解決各種問題, 主要用于發(fā)現(xiàn)數(shù)據(jù)中隱藏的結(jié)構(gòu), 探索不同變量之間的關(guān)系. 無監(jiān)督學習模型主要包括K均值聚類模型和層次聚類模型[11]. 例如, 無監(jiān)督學習可以用來發(fā)現(xiàn)疾病的新亞型, 并將新亞型分解為更精確的獨立亞型[12-13].

目前,基于ML的疾病診斷技術(shù)在人工智能領(lǐng)域得到了廣泛研究. ML通過對未來事件進行分類或識別最適合用于預(yù)測結(jié)果的變量,構(gòu)建出一種預(yù)測模型.這些模型主要包括分類(確定新預(yù)測對象所屬的類別)和回歸(預(yù)測新觀察對象的連續(xù)值). 有研究表明[14-15], ML在心血管疾病輔助診斷中具有較高的診斷價值.

本文綜述了近年來ML在CVDs輔助診斷領(lǐng)域的技術(shù)背景和研究現(xiàn)狀, 分析了該領(lǐng)域在臨床轉(zhuǎn)化應(yīng)用方面的挑戰(zhàn), 并對未來進行了展望.

1 ML在CVDs輔助診斷中的應(yīng)用

臨床診斷心血管疾病高度依賴影像學檢查, 但對醫(yī)學圖像的解讀存在主觀差異且耗時. 基于ML的輔助診斷技術(shù)具有便捷性、可重復(fù)性等優(yōu)勢, 可以實現(xiàn)圖像解讀的自動化、節(jié)省時間、提高檢出率、降低誤診和漏診率[3,5].

1.1 ML在CAD診斷中的應(yīng)用

CAD是指冠狀動脈發(fā)生粥樣硬化引起管腔狹窄, 從而導(dǎo)致心肌缺血和缺氧的心臟病. 近年來, 許多研究者通過開發(fā)ML模型來檢測冠狀動脈狹窄程度. Juntae等[16]通過收集1312例患者的臨床資料構(gòu)建了幾種不同算法的ML模型預(yù)測穩(wěn)定性CAD, 其中Catboost算法模型性能最佳, AUC值、準確率和馬修斯相關(guān)系數(shù)分別為0.796、74.6％和0.448. 但該預(yù)測模型準確率仍相對偏低, 這可能與僅納入文本數(shù)據(jù)量有關(guān). 影像學檢查涵蓋更多的疾病信息, 顯示解剖學和形態(tài)學改變. Jin等[17]建立了基于冠狀動脈計算機斷層掃描血管造影(Coronary Computed Tomography Angiography, CCTA)的ML模型, 且收集了127763張CCTA圖像, 利用卷積神經(jīng)網(wǎng)絡(luò)對冠狀動脈進行分割并提取特征, 采用多種分類模型評估斑塊類型及狹窄程度. 結(jié)果表明梯度提升決策樹模型最優(yōu), 在斑塊分類中AUC值和準確率分別為0.873和87.0％; 檢測冠狀動脈狹窄程度的AUC值和準確率分別為0.910和90.9％. 賈蕾等[18]則利用CCTA圖像中冠狀動脈周圍脂肪衰減指數(shù)構(gòu)建診斷CAD模型, 該模型AUC值為0.947. 可見, 基于影像學檢查的模型預(yù)測性能較高. 然而, CCTA檢查需要使用碘對比劑, 有放射性和無法對心肌進行組織學特征評價的局限性. Khozeimeh等[19]基于無電離輻射、可任意平面成像的心臟磁共振(Cardiac Magnetic Resonance, CMR)圖像, 對公開訪問的大型CMR數(shù)據(jù)集進行了實驗, 利用卷積神經(jīng)網(wǎng)絡(luò)算法可在圖像中提取紋理特征的能力構(gòu)建了預(yù)測CAD模型, 該預(yù)測模型將提取的特征作為決策樹的輸入特征, 獲得較好的分類準確率(99.18％).

基于簡單臨床文本數(shù)據(jù)構(gòu)建預(yù)測模型可以簡化CAD的診斷步驟, 但綜合而言, 其準確率有限. ML進一步將各種算法與臨床文本數(shù)據(jù)和CCTA、CMR等圖像信息相結(jié)合, 構(gòu)建多模態(tài)診斷模型, 不僅對圖像進行分割的精度達到醫(yī)生的分割結(jié)果, 而且還可以幫助醫(yī)生提高診斷準確率.

1.2 ML在HF診斷中的應(yīng)用

HF是以心臟結(jié)構(gòu)或功能受損導(dǎo)致心室收縮或充盈障礙為特征的一種復(fù)雜的臨床綜合征[20]. ML可幫助臨床醫(yī)生對有危險的HF患者進行早期診斷. 基于ML的HF診斷模型已有報道, 如Asch等[21-22]從超過5萬份超聲心動圖數(shù)據(jù)庫中開發(fā)了一種自動評估左心室收縮功能的ML模型, 最后檢測左心室射血分數(shù)(Left Ventricular Ejection Fraction, LVEF)大于35％的靈敏度和特異度分別為90％和92％, 這與專家評估結(jié)果相一致. 雖然基于AI超聲心動圖實現(xiàn)了自動化分析, 節(jié)約了工作時間, 但在診斷中仍沒有一種廉價的、非入侵性的心功能篩查工具. 因此, 有研究者嘗試應(yīng)用ECG替代超聲心動圖診斷HF. Kwon等[23]基于ECG開發(fā)了一種卷積神經(jīng)網(wǎng)絡(luò)算法以識別和預(yù)測HF的發(fā)生, 該模型與Logistic回歸和RF算法相比, 在診斷HF中優(yōu)勢明顯(AUC值為0.843). Attia等[24]收集了44959例患者的ECG和超聲心動圖資料, 利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了HF預(yù)測模型, 并利用52870例患者數(shù)據(jù)對模型進行外部驗證, 該模型的AUC值、靈敏度、特異度和準確率分別為0.93、86.3％、85.7％和85.7％. Kashou等[25]收集了2041名年齡大于45歲患者的超聲心動圖和ECG數(shù)據(jù), 構(gòu)建了AI-ECG模型, 該模型AUC值、靈敏度、特異度分別為0.97、90％、92％. 上述研究結(jié)果表明,基于ML-ECG診斷心功能不全與超聲心動圖的診斷價值高度一致.

AI可以協(xié)助超聲心動圖操作者高效進行指標測量和計算, 快速做出診斷, 提高HF檢出率. 同時, 基于AI-ECG在診斷HF中與超聲心動圖相比具有高度一致性. ECG作為一種獨立、無創(chuàng)且廉價的檢查更具優(yōu)勢, 有望成為診斷HF的輔助工具.

1.3 ML在心律失常診斷中的應(yīng)用

心律失常是心源性猝死的主要原因之一, 包括心臟沖動頻率異常、心律異常、沖動起源異常和傳導(dǎo)速度異常等[26]. ML可以通過讀取、處理、分割、提取特征、訓(xùn)練和學習ECG波形輔助醫(yī)生診斷心律失常類型. 雖然早期ML算法對診斷竇性心律具有較高的敏感度和特異度, 但對心律失常的診斷遠不如專業(yè)的電生理專家[27]. 近年來, 隨著ML算法的更新、圖像降噪技術(shù)的發(fā)展、ECG圖像特征提取的進步以及添加和刪除方法的優(yōu)化, ML模型在心律失常診斷中的準確率提高快速. Baek等[28]分析了2412份ECG圖像數(shù)據(jù), 開發(fā)了一種新的基于ECG的ML算法, 用于竇性心律時識別心房顫動, 該預(yù)測模型在外部驗證中的AUC值為0.75. Chang等[29]基于卷積神經(jīng)網(wǎng)絡(luò)算法分析了2515份ECG數(shù)據(jù), 識別正常竇性心律期間的室性早搏, 構(gòu)建了單輸入圖像模型和多輸入時間序列模型, 兩者的準確率分別達到89.5％和88.0％. 表明在正常的竇性心律中獲得基于ML-ECG模型可快速識別室性早搏患者, 并有可能自動預(yù)測室性早搏發(fā)作. 盡管ECG可以同時出現(xiàn)多種心律失常類型, 但目前大多數(shù)的ECG診斷模型是診斷單一的心律失常類型, 這在一定程度上限制了這些ML模型在臨床的推廣應(yīng)用[30]. 張明偉等[31]開發(fā)了一種1D CNN- BiLSTM網(wǎng)絡(luò)聯(lián)合集成學習診斷模型, 該模型診斷8種心律失常的準確率高達90％. Sangha等[32]也基于ML開發(fā)了一種至少包含6種不同節(jié)律異常或傳導(dǎo)異常的診斷模型, 該研究收集了2228236份ECG圖像, 在外部驗證中基于ML-ECG模型的AUC值為0.9.

心律失常的早期診斷可大大降低患者的死亡率, 改善患者預(yù)后. 隨著ML技術(shù)的發(fā)展, 近年來對心律失常的識別和診斷能力不斷增強. 尤其是ML與便攜式心電設(shè)備相結(jié)合, 進一步提高了各類心律失常的檢出率[33]. 因此, 使用ML作為心律失常診斷助手是新興領(lǐng)域, 未來可繼續(xù)加強可穿戴ML技術(shù)的研發(fā).

1.4 ML在高血壓診斷中的應(yīng)用

高血壓是一種以體循環(huán)動脈壓力升高為特征的心血管疾病. 同時, 高血壓是許多心腦血管疾病最重要的危險因素, 包括CAD、HF、中風和腎臟疾病等. 高血壓會導(dǎo)致動脈壁變厚、彈性降低, 從而增加堵塞、狹窄和破裂的風險. 2017年美國高血壓指南已將高血壓診斷標準下調(diào)至收縮壓≥130 mmHg或/和舒張壓≥80mmHg[34]. 在高血壓診斷中, ML已被用于測量各類數(shù)據(jù), 如電子健康記錄、血壓讀數(shù)和醫(yī)學成像數(shù)據(jù), 以預(yù)測高血壓的風險,提高診斷的準確性[35-37]. 例如, Zheng等[38]通過收集110名患者生理指標和ECG數(shù)據(jù), 采用ML構(gòu)建了收縮壓預(yù)測模型, 并在多個數(shù)據(jù)集中進行測試, 當誤差≤5mmHg時模型的準確率僅為67％. Baker等[39]提出一種基于混合神經(jīng)網(wǎng)絡(luò)的方法, 通過分析110名患者的ECG和光電脈搏圖波形數(shù)據(jù), 實現(xiàn)了對血壓持續(xù)非侵入性評估, 結(jié)果表明該方法在持續(xù)非侵入式血壓估計方面具有很高的準確性和效率, 可以為臨床醫(yī)生和研究人員提供有價值的參考. 但上述文獻樣本量較小, 且未進行多中心驗證, 可能導(dǎo)致模型的泛化能力限制, 因此需要在臨床中應(yīng)用和驗證. Angelaki等[40]收集了1091名患者的基本臨床數(shù)據(jù)和ECG圖像, 分別采用Logistic回歸、KNN、RF構(gòu)建ML模型預(yù)測患者是否存在高血壓. 結(jié)果顯示, RF算法構(gòu)建的模型預(yù)測性能最佳(AUC值、靈敏度、特異度和準確率分別為0.86、91.4％、66.7％和84.2％). 由此可見, ML-ECG為檢測確診高血壓開辟了新路徑.

綜上, ML在高血壓診斷方面的研究仍處于初級階段, 應(yīng)用前景廣闊. ML在使用各類數(shù)據(jù)預(yù)測高血壓中顯示出有效性, 但需后續(xù)研究加以驗證, 以此為高血壓診斷開發(fā)出更準確、可靠的模型.

1.5 ML在其他CVDs輔助診斷中的應(yīng)用

CVDs還包括其他類型的心血管疾病, 如心臟瓣膜病、心肌病等[41]. Sawano等[42]收集了29859份ECG和超聲心動圖的配對數(shù)據(jù), 采用ECG圖像的二維卷積神經(jīng)網(wǎng)絡(luò)結(jié)合深度神經(jīng)網(wǎng)絡(luò)的預(yù)測模型預(yù)測主動脈瓣關(guān)閉不全, 結(jié)果表明該模型的AUC值為0.802. Ulloa-Cerna等[43]基于ECG圖像成功構(gòu)建了ML模型, 用于預(yù)測未診斷、有臨床意義的結(jié)構(gòu)性心臟病的高危人群, 該模型的AUC值為0.91. 因此, 使用ML-ECG模型可用于診斷心臟瓣膜病[44]. Yang等[45]和Ueno等[46]建立了ML模型用于篩查心臟瓣膜病和梗阻性肥厚型心肌病, 兩者在各自領(lǐng)域都顯示出優(yōu)勢. ML技術(shù)憑借其獨特的先天優(yōu)勢, 可收集整合大量臨床數(shù)據(jù)和影像學圖像, 通過特定算法建立性能更好的預(yù)測模型, 供醫(yī)生臨床決策, 以改善患者預(yù)后.

2 結(jié)論與展望

AI在醫(yī)學領(lǐng)域的應(yīng)用越來越廣, 具有較強的實用性和較高的有效性. 近年來, 美國食品藥品監(jiān)督管理局已通過數(shù)百種AI算法[47], 表明以ML為載體的醫(yī)療產(chǎn)品向臨床轉(zhuǎn)化邁出了重要一步. 雖然ML技術(shù)有很多優(yōu)點, 但目前并不完美. ML模型本身面臨諸多挑戰(zhàn), 主要有: (1)模型使用的是研究人員自行收集和分類的數(shù)據(jù), 因此數(shù)據(jù)本身可能會存在選擇偏倚, 但這可以通過收集更多數(shù)據(jù), 以及大型臨床隨機對照研究來減小偏倚. (2)模型在做出某些決策或風險預(yù)測時未考慮倫理等因素, 而在臨床應(yīng)用中需要考慮這些因素. 對此前期可通過制定嚴格的法規(guī), 促進模型在完全融入臨床時與患者之間建立良好的透明度、包容性和信任度. (3)ML模型存在“黑箱”效應(yīng), 即模型在計算過程中類似于“黑匣子”, 其工作原理無法以人類能理解的方式表達, 因而有不可解釋性和不確定性. 對于“黑箱”效應(yīng), 目前已有改良算法, 如提出的SHAP、LIME等算法使模型具有可解釋性[48-49].

盡管目前ML技術(shù)尚存在不足, 但隨著ML技術(shù)的進步, 其在心血管疾病領(lǐng)域?qū)⒈憩F(xiàn)出良好的應(yīng)用前景, 尤其是對臨床數(shù)據(jù)的整合, ML可建立可交互、信息化的心血管疾病數(shù)據(jù)科研平臺, 這將對提高心血管疾病領(lǐng)域現(xiàn)有的醫(yī)療效率和診療水平有著重要意義. 例如, AI-ECG可完成全自動分析診斷, 并通過可穿戴設(shè)備實時預(yù)測心律失常和心功能不全. AI-CCTA可自動計算冠狀動脈鈣化評分和冠狀動脈狹窄程度, 為臨床提供優(yōu)化的個性化治療策略. 最后, AI可應(yīng)用于患者的康復(fù)管理, 從AI數(shù)據(jù)采集、自動上傳、智能化分析、個體化檢查和健康方案擬定等不同方面實現(xiàn)患者智能化康復(fù)管理[50]. 因此, 未來需要深化ML研究和應(yīng)用, 推進ML算法的臨床轉(zhuǎn)化, 早日成為臨床中常見的輔助工具.

[1] Roth G A, Mensah G A, Johnson C O, et al. Global burden of cardiovascular diseases and risk factors, 1990- 2019[J]. Journal of the American College of Cardiology, 2020, 76(25):2982-3021.

[2] Mela A, Rdzanek E, Poniatowski ? A, et al. Economic costs of cardiovascular diseases in Poland estimates for 2015- 2017 years[J]. Frontiers in Pharmacology, 2020, 11:1231.

[3] Mathur P, Srivastava S, Xu X W, et al. Artificial intelligence, machine learning, and cardiovascular disease [J]. Clinical Medicine Insights: Cardiology, 2020, 14: 117954682092740.

[4] 趙夢蝶, 孫九愛. 機器學習在心血管疾病診斷中的研究進展[J]. 北京生物醫(yī)學工程, 2020, 39(2):208-214.

[5] Lüscher T F, Lyon A, Amstein R, et al. Artificial intelligence: The pathway to the future of cardiovascular medicine[J]. European Heart Journal, 2022, 43(7):556-558.

[6] Leeming J. How AI is helping the natural sciences[J]. Nature, 2021, 598(7880):S5-S7.

[7] Fernández-Ruiz I. Artificial intelligence to improve the diagnosis of cardiovascular diseases[J]. Nature Reviews Cardiology, 2019, 16(3):133.

[8] Attia Z I, Harmon D M, Behr E R, et al. Application of artificial intelligence to the electrocardiogram[J]. European Heart Journal, 2021, 42(46):4717-4730.

[9] Greener J G, Kandathil S M, Moffat L, et al. A guide to machine learning for biologists[J]. Nature Reviews Molecular Cell Biology, 2022, 23(1):40-55.

[10] Jiang T, Gradus J L, Rosellini A J. Supervised machine learning: A brief primer[J]. Behavior Therapy, 2020, 51(5):675-687.

[11] Eckhardt C M, Madjarova S J, Williams R J, et al. Unsupervised machine learning methods and emerging applications in healthcare[J]. Knee Surgery, Sports Traumatology, Arthroscopy, 2023, 31(2):376-381.

[12] Wang X H, Li J A, Sun J, et al. A machine learning model based on unsupervised clustering multihabitat to predict the pathological grading of meningiomas[J]. BioMed Research International, 2022, 2022:8955227.

[13] Ezugwu A E, Ikotun A M, Oyelade O O, et al. A comprehensive survey of clustering algorithms: State- of-the-art machine learning applications, taxonomy, challenges, and future research prospects[J]. Engineering Applications of Artificial Intelligence, 2022, 110:104743.

[14] Nadakinamani R G, Reyana A, Kautish S, et al. Clinical data analysis for prediction of cardiovascular disease using machine learning techniques[J]. Computational Intelligence and Neuroscience, 2022, 2022:1-13.

[15] Shehzadi S, Hassan M A, Rizwan M, et al. Diagnosis of chronic ischemic heart disease using machine learning techniques[J]. Computational Intelligence and Neuroscience, 2022, 2022:3823350.

[16] Juntae K, Yeon L S, Hee C B, et al. Machine learning models of clinically relevant biomarkers for the prediction of stable obstructive coronary artery disease[J]. Frontiers in Cardiovascular Medicine, 2022, 9:933803.

[17] Jin X, Li Y Z, Yan F, et al. Automatic coronary plaque detection, classification, and stenosis grading using deep learning and radiomics on computed tomography angiography images: A multi-center multi-vendor study [J]. European Radiology, 2022, 32(8):5276-5286.

[18] 賈蕾, 趙文興, 王鑫, 等. CCTA冠周FAI聯(lián)合上胸部補充掃描與圖像大視野重建在冠心病篩查中的應(yīng)用[J]. 影像科學與光化學, 2022, 40(6):1438-1443.

[19] Khozeimeh F, Sharifrazi D, Izadi N H, et al. RF-CNN-F: Random forest with convolutional neural network features for coronary artery disease diagnosis based on cardiac magnetic resonance[J]. Scientific Reports, 2022, 12(1):1-12.

[20] 王華, 李瑩瑩. 2022年AHA/ACC/HFSA心力衰竭管理指南解讀——從新指南看心衰分類和診斷評估[J]. 中國心血管病研究, 2022, 20(6):481-486.

[21] Asch F M, Nicolas P, Theodore A, et al. Automated echocardiographic quantification of left ventricular ejection fraction without volume measurements using a machine learning algorithm mimicking a human expert[J]. Circulation: Cardiovascular Imaging, 2019, 12(9):e009303.

[22] Asch F M, Mor-Avi V, Rubenson D, et al. Deep learning- based automated echocardiographic quantification of left ventricular ejection fraction: A point-of-care solution[J]. Circulation Cardiovascular Imaging, 2021, 14(6):e012293.

[23] Kwon J M, Kim K H, Jeon K H, et al. Development and validation of deep-learning algorithm for electro- cardiography-based heart failure identification[J]. Korean Circulation Journal, 2019, 49(7):629-639.

[24] Attia Z I, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram[J]. Nature Medicine, 2019, 25(1):70-74.

[25] Kashou A H, Medina-Inojosa J R, Noseworthy P A, et al. Artificial intelligence-augmented electrocardiogramdetection of left ventricular systolic dysfunction in the general population[J]. Mayo Clinic Proceedings, 2021, 96(10):2576-2586.

[26] Grune J, Yamazoe M, Nahrendorf M. Electroimmunology and cardiac arrhythmia[J]. Nature Reviews Cardiology, 2021, 18(8):547-564.

[27] Kersten D J, D’Angelo K, Vargas J, et al. Determining the clinical significance of computer interpreted electro- cardiography conclusions[J]. American Journal of Cardiovascular Disease, 2021, 11(3):375-381.

[28] Baek Y S, Lee S C, Choi W, et al. A new deep learning algorithm of 12-lead electrocardiogram for identifying atrial fibrillation during sinus rhythm[J]. Scientific Reports, 2021, 11(1):12818.

[29] Chang S N, Tseng Y H, Chen J J, et al. An artificial intelligence-enabled ECG algorithm for identifying ventricular premature contraction during sinus rhythm[J]. European Journal of Medical Research, 2022, 27(1):289.

[30] Raghunath S, Pfeifer J M, Ulloa-Cerna A E, et al. Deep neural networks can predict new-onset atrial fibrillation from the 12-lead ECG and help identify those at risk of atrial fibrillation-related stroke[J]. Circulation, 2021, 143(13):1287-1298.

[31] 張明偉, 張?zhí)煲? 程云章. 基于1D CNN-BiLSTM網(wǎng)絡(luò)聯(lián)合集成學習的心律失常智能診斷系統(tǒng)[J]. 生物醫(yī)學工程研究, 2022, 41(3):259-267.

[32] Sangha V, Mortazavi B J, Haimovich A D, et al. Automated multilabel diagnosis on electrocardiographic images and signals[J]. Nature Communications, 2022, 13(1):1-12.

[33] Crea F. The growing role of artificial intelligence and of wearable devices in the management of arrhythmias[J]. European Heart Journal, 2021, 42(38):3889-3893.

[34] Whelton P K, Carey R M, Aronow W S, et al. 2017 ACC/AHA/AAPA/ABC/ACPM/AGS/APhA/ASH/ASPC/NMA/PCNA guideline for the prevention, detection, evaluation, and management of high blood pressure in adults: A report of the American college of cardiology/ American heart association task force on clinical practice guidelines[J]. Hypertension, 2018, 71(6):1269-1324.

[35] Samek W, Wiegand T, Müller K R. Explainable artificial intelligence: Understanding, visualizing and interpreting deep learning models[EB/OL]. [2023-01-12]. https://www. amazon.com/Explainable-AI-Interpreting-Explaining-Visualizing/dp/3030289532.

[36] Silva G F S, Fagundes T P, Teixeira B C, et al. Machine learning for hypertension prediction: A systematic review [J]. Current Hypertension Reports, 2022, 24(11):523-533.

[37] 王立娜, 雷警輸, 譚琛. 人工智能在高血壓診治中的應(yīng)用[J]. 實用心電學雜志, 2022, 31(6):386-391.

[38] Zheng J A, Yu Z Y. A novel machine learning-based systolic blood pressure predicting model[J]. Journal of Nanomaterials, 2021, 2021:1-8.

[39] Baker S, Xiang W, Atkinson I. A hybrid neural network for continuous and non-invasive estimation of blood pressure from raw electrocardiogram and photoplethysmogram waveforms[J]. Computer Methods and Programs in Biomedicine, 2021, 207:106191.

[40] Angelaki E, Barmparis G D, Kochiadakis G, et al. Artificial intelligence-based opportunistic screening for the detection of arterial hypertension through ECG signals [J]. Journal of Hypertension, 2022, 40(12):2494-2501.

[41] 楊志云, 王輝, 賀毅, 等. 心肌病心臟磁共振應(yīng)用的新視角——人工智能和機器學習[J]. 心肺血管病雜志, 2022, 41(3):321-323.

[42] Sawano S, Kodera S, Katsushika S, et al. Deep learning model to detect significant aortic regurgitation using electrocardiography[J]. Journal of Cardiology, 2022, 79(3):334-341.

[43] Ulloa-Cerna A E, Jing L Y, Pfeifer J M, et al. rECHOmmend: An ECG-based machine learning approach for identifying patients at increased risk of undiagnosed structural heart disease detectable by echocardiography[J]. Circulation, 2021, 146:36-47.

[44] 謝冰歆, 劉彤. 人工智能心電圖診斷模型在心臟瓣膜病識別中的應(yīng)用[J]. 實用心電學雜志, 2023, 32(1):26-29.

[45] Yang F F, Chen X T, Lin X X, et al. Automated analysis of Doppler echocardiographic videos as a screening tool for valvular heart diseases[J]. JACC: Cardiovascular Imaging, 2022, 15(4):551-563.

[46] Ueno R, Matsui H, Xu L. Machine learning detection of obstructive hypertrophic cardiomyopathy using a wearable biosensor[EB/OL]. [2023-01-12]. https://www.ncbi. nlm.nih.gov/pmc/articles/PMC6591226.

[47] Khunte M, Chae A, Wang R, et al. Trends in clinical validation and usage of US Food and Drug Administration- cleared artificial intelligence algorithms for medical imaging[J]. Clinical Radiology, 2023, 78(2):123-129.

[48] Baptista M L, Goebel K, Henriques E M P. Relation between prognostics predictor evaluation metrics and local interpretability SHAP values[J]. Artificial Intelligence, 2022, 306:103667.

[49] Dieber J, Kirrane S. A novel model usability evaluation framework (MUsE) for explainable artificial intelligence [J]. Information Fusion, 2022, 81:143-153.

[50] Gao Z H, Lou L H, Wang M H, et al. Application of machine learning in intelligent medical image diagnosis and construction of intelligent service process[J]. Computational Intelligence and Neuroscience, 2022, 2022:9152605.

Research in machine learning for auxiliary diagnosis of cardiovascular diseases: Current status and future prospects

WANG Li1, JI Lili2, LU Haoxuan1, XIE Yanqing1, HE Wenming1*

( 1.The First Affiliated Hospital of Ningbo University, Ningbo 315020, China;2.Health Science Center, Ningbo University, Ningbo 315211, China )

Cardiovascular diseases are characterized by high morbidity, hospitalization, disability, and mortality rates, accompanied with a high disease burden. Therefore, early and accurate diagnosis of cardiovascular diseases is of great significance. The artificial intelligence cardiovascular disease aided diagnosis technology represented by machine learning (ML) provides a new approach to solve the above problems. ML-based disease diagnosis techniques are becoming increasingly mature and have advantages in various cardiovascular diseases, including heart failure, coronary atherosclerotic heart disease, and arrhythmias. This paper reviews the technical background and current research development of ML in the ancillary diagnosis of cardiovascular diseases. It also analyzes the challenges and prospects for translational clinical applications in this field.

cardiovascular diseases; machine learning; artificial intelligence; auxiliary diagnosis

R541

A

1001-5132（2023）03-0102-06

2023?02?08.

寧波大學學報（理工版）網(wǎng)址: http://journallg.nbu.edu.cn/

浙江省“尖兵”“領(lǐng)雁”研發(fā)攻關(guān)計劃科技合作領(lǐng)域項目（2023C04017）; 浙江省衛(wèi)生科技計劃（WKJ-ZJ-2137）; 浙江省基礎(chǔ)公益研究技術(shù)項目（LGF22H090008）; 寧波市自然科學基金（2021J240）.

王麗（1995－）, 女, 浙江寧波人, 在讀碩士研究生/醫(yī)師, 主要研究方向: 心血管醫(yī)學. E-mail: 2011105041@nbu.edu.cn

通信作者:何文明（1981－）, 男, 浙江紹興人, 博士/主任醫(yī)師, 主要研究方向: 心血管醫(yī)學. E-mail: fyhewenming@nbu.edu.cn

（責任編輯 史小麗）