人工智能及3D打印技術在心血管疾病診療中的應用進展

蘭貝蒂 王瑞濤

(1.西安交通大學第一附屬醫(yī)院結構性心臟病科，陜西 西安 710061； 2.西安交通大學第一附屬醫(yī)院肝膽外科，陜西 西安 710061)

當前心血管疾病居中國居民死亡原因第三位，在大數(shù)據(jù)和開放科學時代，人工智能(artificial intelligence，AI)和3D打印技術蓬勃發(fā)展，其在心血管醫(yī)學領域的探索應用突飛猛進。一方面，現(xiàn)代影像及檢驗技術積累了充分的原始數(shù)據(jù)，是AI探索的基礎；另一方面，心血管系統(tǒng)腔內結構復雜多變，充分利用AI和3D打印技術可以革新當前診療習慣和模式，提升服務效率和水平。AI和3D打印技術在心血管醫(yī)學領域的優(yōu)勢包括：圖像的獲取與分析更快速、簡便、準確；診斷的自動化輔助，減少醫(yī)療差錯[1]；自然語言的結構化處理，大大簡化工作流程；風險預測和預后指導，優(yōu)化醫(yī)療資源配置[2]；3D打印輔助高難度心臟手術，促進醫(yī)患溝通和推動精準醫(yī)療等[3-4]。現(xiàn)就AI和3D打印技術在心血管醫(yī)學領域的應用進展做如下綜述。

1 AI輔助診斷

1.1 自動化心臟4D血流磁共振成像后處理

醫(yī)學影像領域數(shù)據(jù)量龐大，自2017年8月3日“騰訊覓影”面世以來，該領域一直是機器學習的焦點。心臟磁共振成像(magnetic resonance imaging，MRI)可提供心臟功能、瓣膜疾病、血流、灌注和血管解剖學的可量化信息。心臟4D血流MRI診斷實用性強大，可對血流和模式進行全面分析、區(qū)域壁運動分析、壓力梯度量化和血管血流動力學分析。但受到專業(yè)知識和經驗水平的限制，圖像的后處理只能由少數(shù)心臟病學和放射學專家在專用的3D實驗室手動執(zhí)行3D分割、可視化和4D分析等操作，既耗時耗力又難以通用。

通過AI技術可實現(xiàn)心臟4D血流MRI的自動解剖分割，量化瓣膜病變、血流動力學和功能研究(如圖1[5])，采用深度學習算法，從標注真實數(shù)據(jù)中學習分割任務，計算結果與標注數(shù)據(jù)高度吻合。其驗證指標在輪廓擬合度、Dice相似性系數(shù)、平均垂直距離和一致性上分別為96.69%、0.94、1.81 mm和0.86，而通過其他方法獲得的指標分別為79.20%～95.62%、0.87～0.90、1.76～2.97 mm和0.67～0.78。不僅簡化了操作，也增加了實用性。預計在AI的輔助下后處理時間可減少90%，從而增加實際工作容量近10倍。

圖1 心臟4D血流MRI

1.2 自動聚焦超聲心動圖標準切面

超聲心動圖可以快速評估心臟結構、功能和血流動力學，是心臟病學的支柱，而且與心臟MRI相比成本低廉，不受硬件設施的限制，使用更為廣泛。但是，超聲心動圖的獲取和解釋高度依賴于超聲醫(yī)師的個人經驗。受培訓者至少要花費3～6個月才能準確地獲取正確的心臟切面。在需要快速評估左室射血分數(shù)、瓣膜狹窄或關閉不全等緊急情況時，并不一定能立刻聯(lián)系到專業(yè)人員。

通過深度學習，可以實現(xiàn)超聲心動圖標準切面的自動化采集，可使任何未受訓練的醫(yī)師都能輕松獲得精確的超聲切面(如圖2[6])，初步測試中觀察到未經培訓者實施胸骨旁左室長軸窗口采集時間為30 s。將來還有望通過AI識別可能代表亞臨床疾病或指示患者預后的細微影像學特征。Narula等[6]開發(fā)了能夠自動辨識和分析超聲心動圖數(shù)據(jù)集，識別運動員肥厚型心肌病和生理性心肌肥大的系統(tǒng)，結果顯示：集成的機器學習模型顯示出更高的靈敏度和特異性，表明深度開發(fā)機器自動化辨識系統(tǒng)具有更廣闊的前景，提高其應用范圍將進一步促進對心臟疾病的篩查、分類和診斷。

1.3 使用深度神經網(wǎng)絡提高單導聯(lián)動態(tài)心電圖診斷性能

有學者嘗試構建一種深度神經網(wǎng)絡，對來自53 549例患者的91 232個單導聯(lián)動態(tài)心電圖按12種節(jié)律進行分類，端到端深度學習的診斷性能與心臟病學專家類似[7]。研究表明，以端到端深度學習為代表的范式轉變可能會為自動化心電圖分析提供一種新方法，該方法采用了多種技術，包括信號預處理、特征提取、特征選擇、歸約和分類，可以進一步提升應用范圍和準確率。如果在臨床環(huán)境中得到證實，則此方法可對突發(fā)緊急狀況進行準確分類或確定優(yōu)先級，從而降低計算機對心電信號的誤診及不當解釋，并提高心臟病學專家對心電圖解釋的效率。

注：左圖：胸骨旁長軸的圖像采集；右圖：人工智能引導獲取最佳切面的位置。圖2 機器學習輔助經胸超聲心動圖自動采集

1.4 心電圖可篩查無癥狀左心功能不全

無癥狀的左心功能不全占總人口的3%～6%，對其生活質量和壽命造成影響。梅奧診所學者Attia等[8]根據(jù)44 959例患者的12導聯(lián)心電圖和超聲心動圖數(shù)據(jù)，訓練出一個卷積神經網(wǎng)絡，使用心電圖數(shù)據(jù)來識別心室功能不全(定義為射血分數(shù)≤35%)，在無心室功能不全的患者中，使用該神經網(wǎng)絡篩查出陽性的患者未來發(fā)生左室功能障礙的風險是陰性者的4倍，認為AI在心電圖應用于識別心室功能不全檢測成本低廉，結果可靠，應用前景廣闊。

1.5 基于心音的心力衰竭檢測體系

慢性心力衰竭影響全球2 600萬人，其發(fā)病率每年以2%的速度增長，目前欠缺自動檢測的方法。Gjoreski等[9]通過機器學習和端到端的深度學習提出了一種基于心音的心力衰竭的檢測方法。通過對6個公開可用的數(shù)據(jù)集和1個慢性心力衰竭數(shù)據(jù)集(針對該研究而收集)的947例受試者的記錄，確定15個可重復使用的機器學習模型以區(qū)分慢性心力衰竭的不同階段(即失代償階段和補償階段)，其準確度為92.9%，方法對于區(qū)分健康受試者和患者之間的記錄以及檢測不同的慢性心力衰竭階段均顯示出令人鼓舞的結果，更容易識別心力衰竭患者，進而開發(fā)出家用慢性心力衰竭監(jiān)護儀。

1.6 基于面部圖片的冠心病預測模型

近日，在《歐洲心臟雜志》發(fā)表的一項多中心橫斷面研究[10]，通過卷積神經網(wǎng)絡建立了基于臉部照片的冠心病預測模型，可以預測是否存在至少1支冠狀動脈狹窄≥50%。進一步研究發(fā)現(xiàn)，加入臨床指標并未改善該算法的效能，說明該算法只用臉部照片已足夠，不需考慮病史或查體，雖然該模型的應用效果還需臨床大規(guī)模應用評價，但是為簡化預測方法帶來了啟示。

1.7 通過面部視頻有望實現(xiàn)高通量心房顫動的篩查

運用智能手機分析面部光電容積描記信號，使用預先培訓好的深卷積神經網(wǎng)絡同時分析多個患者的面部光電容積描記信號，可實現(xiàn)心房顫動的高精度檢測，如圖3所示。此方法成本低廉，可節(jié)約時間，減少臨床工作量[11]。目前研究尚處于探索階段，存在以下局限性：需要靜止監(jiān)測1 min；需行心電圖檢查排除可疑心房顫動；普通人群的心房顫動患病率較低，該方法的陽性預測值不高。

圖3 5例患者同時行視頻記錄完成面部光電容積描記和心電圖檢測

2 AI輔助風險分層或評估預后

2.1 機器學習評估先天性心臟病或肺動脈高壓患者的預后

Diller等[12]研究機器學習用于評估先天性心臟病或肺動脈高壓患者預后的價值，通過對10 019例成人先天性心臟病或肺動脈高壓患者進行8年隨訪，基于44 000余份病歷的深度學習算法，從疾病診斷、復雜程度以及NYHA心功能分級等方面進行了分類。根據(jù)算法得出的疾病嚴重程度與Cox分析的生存率有關，而與人口統(tǒng)計學、運動、實驗室和心電圖參數(shù)無關。該算法可擴展到多機構數(shù)據(jù)集，以進一步提高準確性，最終形成在線的決策工具。

2.2 機器學習識別經皮冠狀動脈介入治療后死亡和再入院風險

目前經皮冠狀動脈介入治療后風險預測模型的預測能力有限，機器學習具有識別數(shù)據(jù)集中復雜非線性模式的潛力，針對每個事件訓練一個隨機森林回歸模型來估計事件發(fā)生的時間。Zack等[13]對Mayo Clinic注冊中心11 709例接受經皮冠狀動脈介入治療的患者進行評估，經過驗證，機器學習比標準回歸方法在識別術后180 d死亡和術后30 d慢性心力衰竭再住院風險的患者中更具預測性，顯示機器學習用于預后預測模型的潛在優(yōu)勢及前景。

2.3 機器學習有助于篩選心室同步化起搏-電復律除顫器以及植入型心律轉復除顫器可獲益的心力衰竭人群

利用超聲心動圖參數(shù)和臨床指標的機器學習算法來對心力衰竭隊列進行表型分組，可識別對心臟再同步化治療有良好反應的患者。Cikes等[14]在多中心對1 106例植入自動除顫儀的心力衰竭患者使用無監(jiān)督的機器學習算法，依據(jù)臨床指標的相似性進行分類，并將基線處的左室容積和變形軌跡分為互斥組，在這些組之間比較了使用除顫器對主要結局(全因死亡或心力衰竭事件)和體積反應的治療效果，分析確定了四種表型：(1)響應組，顯著容量響應；(2)響應組，最佳容量響應；(3)無響應組，不同的心力衰竭底物-“良性”的高血壓/糖尿病/缺血性心肌病；(4)無響應組，不同的心力衰竭底物-惡化的缺血性心肌病。不同表型間，在基線臨床特征、生物標志物、左右心室結構和功能，以及主要結局的發(fā)生上存在顯著差異，其中(1)和(2)兩種表型為心臟再同步化治療反應良好組。研究表明：通過整合臨床參數(shù)和完整的心動周期影像數(shù)據(jù)，無監(jiān)督的機器學習算法可以為表型異質性心力衰竭隊列提供臨床上有意義的分類，并可能有助于優(yōu)化對特定人群的反應率療法。

2.4 機器學習模型改善傳統(tǒng)ACC/AHA的心血管疾病風險分層

Kakadiaris等[15]使用來自MESA研究(對動脈粥樣硬化的多民族研究)無心血管疾病的6 459例參與者的13年隨訪數(shù)據(jù)構建機器學習模型，并在FLEMENGHO研究(環(huán)境、基因和健康結果的佛蘭德研究)中驗證該模型。ACC/AHA風險計算器基于7.5%的10年風險閾值，推薦使用他汀類藥物者占46%，480例心血管事件中23.8%發(fā)生在未推薦他汀類藥物組。使用同樣9種傳統(tǒng)風險因素，機器學習算法能夠顯著改善風險分層，發(fā)現(xiàn)高風險個體增加13%，建議25%低風險個體減少他汀類藥物的應用，同時可減少不良事件。該研究表明了機器學習模型較傳統(tǒng)ACC/AHA風險計算器更具有優(yōu)勢。

2.5 機器學習協(xié)助自然語言的轉化和提取

臨床電子醫(yī)療記錄中80%以上的數(shù)據(jù)為敘述性內容，繁忙的臨床工作中人工提取并匯總文本信息，既耗時又耗力。通過機器學習的自然語言處理技術可將非結構化的文本轉化成結構化的形式，可自動提取數(shù)據(jù)元素，形成實時和個性化的風險預測。Arruda-Olson等[16]使用從電子健康記錄中自動提取的數(shù)據(jù)為周圍動脈疾病的患者創(chuàng)建一種預后預測工具，以便在護理時進行實時和個性化的風險預測，在臨床工作中應用潛力巨大，值得深入探索。

3 手術輔助系統(tǒng)

作為革新性技術，三維重建與3D打印技術可以輔助高難度手術，處于心血管疾病診療的創(chuàng)新前沿。立體的心臟模型能提供可視化的空間結構，具有以下優(yōu)勢：(1)制定手術計劃：術前制定詳細計劃如“計劃A”“計劃B”或“補救”方案，以減少手術時間，減少并發(fā)癥，縮短術后住院時間，降低再干預率以及醫(yī)療花費；(2)協(xié)助教育培訓：培訓模式從手把手的學徒模式轉變?yōu)榛诜抡娴淖灾鲗W習模式，補充了傳統(tǒng)的指導式教育，可大大縮短學習曲線：(3)模擬手術體驗：可體驗逼真的手術操作，初級受訓者也可接觸少見和特殊的病例；經驗豐富者，可利用其進行終身學習，成為迎接新挑戰(zhàn)的橋梁；(4)促進團隊溝通：增加多學科之間的溝通，減少醫(yī)療差錯，便于患者的理解和參與，增強決策制定能力。

復雜的解剖結構、既往手術史以及體外循環(huán)耗時長等是心血管疾病惡化的主要危險因素[17]，三維重建與3D打印技術的應用有望降低相關手術風險。在先天性心臟病患兒中，利用交互式全心分割方法，從少數(shù)MRI短軸切片區(qū)域進行人工分割，使用基于補丁的分割自動描繪剩余體積，可快速建立患者特定的三維重建心臟模型，將使用3D心臟模型輔助手術規(guī)劃常規(guī)化實施成為可能[18]。

目前3D打印輔助技術應用在以下心臟外科領域[19]：復雜先天性心臟病患者移植術前計劃[20]，右位心合并右室雙出口、室間隔缺損和大動脈轉位等復雜畸形的手術規(guī)劃[21]，心室輔助設備的植入[22]等。已經開展的3D打印輔助心血管介入手術包括：3D打印的冠狀動脈支架[23]、經皮主動脈瓣置換術[24]、經皮二尖瓣環(huán)鈣化的二尖瓣置換[25]、上腔靜脈型房間隔缺損的介入封堵[26]、后下緣缺失的(下腔靜脈型)繼發(fā)孔型房間隔缺損封堵術[27-28]、復雜形態(tài)的室間隔缺損[29]和高血液相容性復合彈性材料3D打印左心耳封堵器等[30]。隨著技術的拓展，研究的不斷深入，其技術優(yōu)勢及認可度將不斷提升。

4 當前AI與3D打印技術應用的局限性

機器學習正在改變心血管疾病的診斷、風險預測、預防和治療模式，必須正確理解這些心血管領域新技術的優(yōu)勢、局限性、機會和風險。如果沒有完整而且通用的數(shù)據(jù)集，那么在實際測試中，該模型的性能將受影響。AI的應用需要計算機科學家、臨床研究人員、臨床醫(yī)師和其他專業(yè)人員之間的密切合作，目前的應用大多局限于某一項診療設備或者數(shù)據(jù)集，不能全面地進行分析，設計研究和解釋結果時，必須考慮偏倚，如按地理、人口和社會經濟地位劃分的互聯(lián)網(wǎng)訪問的差異性等。構建全球范圍內多中心、完整通用的數(shù)據(jù)集共識及標準具有迫切性，通過建立規(guī)范的標準，多學科多中心加強合作，對AI的應用及評價更為全面、客觀，更易普及及推廣應用。

從2014年起發(fā)表的關于3D打印技術在心血管疾病中的應用文章來看，主要是應用于左心耳封堵術(占50.3%)，其次是經皮主動脈瓣置換術(占17.6%)[31]，CT和超聲心動圖是生成3D打印心臟模型數(shù)據(jù)源的兩種主要成像技術。但是，通過CT或MRI獲得的部分圖像分辨率不足，比如不能很好地分辨房室瓣膜或房間隔。基于3D超聲心動圖數(shù)據(jù)源的3D打印具備克服這些局限性的潛力，而血管造影成像的3D打印更適宜拓展。

另外，在嬰幼兒中，隨著時間流逝會伴隨體細胞的生長和病理生理學的變化，引起解剖結構發(fā)生較大的變化，因而成像和3D建模應在預期術前時間附近進行。目前3D打印的組織特性無法像天然組織一樣對球囊、支架或者封堵器等做出反應，尤其體外打印的模型難以重現(xiàn)實際腔內操作時的生理血流環(huán)境。現(xiàn)有技術局限性對研究的熱度及關注度并無影響，不斷的成果使業(yè)內學者相信現(xiàn)有的局限會隨著技術的研發(fā)應用而不斷突破。

AI與3D打印技術在心血管領域研究處于探索階段，尚未在專業(yè)疾病診治及預測中實現(xiàn)標準化、系統(tǒng)化及個體化，單一中心的研究結果尚需要多中心、大宗病例的驗證，具備計算機系統(tǒng)設計、大數(shù)據(jù)分析、臨床思維及專業(yè)知識的復合型人才及團隊需要培養(yǎng)及訓練，相關技術的成熟應用需要更多的時間及努力，這些都是制約技術發(fā)展的因素。

5 展望

在不遠的將來，情境適應性AI技術將實現(xiàn)更為接近人類的“思考”來制定臨床決策，從而增強心血管疾病專家在急診室、介入手術室、外科手術室以及其他應急狀態(tài)中的綜合診治效率和服務水平。除了在數(shù)據(jù)集獲取和后處理方面的進步外，打印機技術和打印材料的改進也將大力推動3D打印技術，以實現(xiàn)能夠復制患者獨特解剖結構和生理學狀態(tài)的“組織仿生”材料。將來，以AI和3D打印為基礎，實現(xiàn)心血管腔內成像、生理學、血流動力學以及機器人技術的漸進融合，AI及3D打印技術將在心血管疾病診療中不斷拓展應用，促進臨床難題破解，滿足臨床及科研需求，對此，筆者充滿期待。