人工智能在經(jīng)皮冠脈介入治療及預(yù)后評估中的研究進(jìn)展

魏珂，司春嬰，王賀，陳玉善，關(guān)懷敏

1977年Gruentzig教授[1]實施首例經(jīng)皮冠狀動脈腔內(nèi)成形術(shù)，標(biāo)志著經(jīng)皮冠狀動脈介入治療(percutaneous coronary intervention,PCI)開啟了介入心臟病學(xué)新紀(jì)元。近年來，隨著冠狀動脈影像學(xué)在PCI治療中的應(yīng)用，顯著降低了再狹窄和靶病變血運(yùn)重建率，已成為輔助術(shù)者精準(zhǔn)完成PCI的重要方法。基于機(jī)器學(xué)習(xí)算法的人工智能(artificial intelligence,AI)通過對大樣本冠脈影像自我學(xué)習(xí)實現(xiàn)了自動識別冠脈管腔輪廓、計算最小管腔面積和斑塊負(fù)荷等重要參數(shù)，縮短了影像分析時間，減少了醫(yī)生工作量。另一方面，心血管疾病是由遺傳、環(huán)境和行為學(xué)多因素共同造成，機(jī)器學(xué)習(xí)算法可以將高緯度的心血管影像轉(zhuǎn)化為可挖掘的數(shù)據(jù)并通過整合患者的社會人口學(xué)特征、實驗室檢查和遺傳學(xué)等信息，優(yōu)化傳統(tǒng)風(fēng)險預(yù)測模型更精準(zhǔn)地預(yù)測PCI患者預(yù)后，輔助醫(yī)生制定個體化治療方案。

人工智能概述

AI是基于數(shù)據(jù)的智能化計算機(jī)系統(tǒng)，旨在開發(fā)用于模擬人類思維過程、推理和行為能力的智能化系統(tǒng)[2]。機(jī)器學(xué)習(xí)作為AI重要的組成部分，也是AI在醫(yī)學(xué)領(lǐng)域應(yīng)用中的研究熱點。機(jī)器學(xué)習(xí)指計算機(jī)在無先驗知識的情況下，通過算法對樣本數(shù)據(jù)的自我學(xué)習(xí)，從數(shù)據(jù)中得到規(guī)律并實現(xiàn)特定目標(biāo)和任務(wù)[3]。與機(jī)器學(xué)習(xí)相比，AI不僅涵蓋了系統(tǒng)感知數(shù)據(jù)(如自然語言處理或語音/圖像識別)的能力，還包括基于學(xué)習(xí)的信息控制和操縱對象的能力。算法模型訓(xùn)練過程中數(shù)據(jù)是第一要素。機(jī)器學(xué)習(xí)根據(jù)所需處理的變量類別和訓(xùn)練方式的不同，分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是指算法通過學(xué)習(xí)帶有標(biāo)簽的數(shù)據(jù)集，發(fā)現(xiàn)輸入數(shù)據(jù)與輸出數(shù)據(jù)間所存在的某種映射關(guān)系。因此，常被用來構(gòu)建冠心病發(fā)病風(fēng)險預(yù)測模型，提高冠心病的篩查效率。而無監(jiān)督學(xué)習(xí)無需提前對樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)注，側(cè)重于發(fā)現(xiàn)數(shù)據(jù)間的底層結(jié)構(gòu)以揭示數(shù)據(jù)間潛在聯(lián)系。包括從豐富的組學(xué)數(shù)據(jù)中自動提取分子特征，識別數(shù)據(jù)中存在的隱藏模式，發(fā)現(xiàn)新的疾病機(jī)制。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的子領(lǐng)域，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，利用隱藏神經(jīng)元層產(chǎn)生的底層數(shù)據(jù)實現(xiàn)輸入與輸出數(shù)據(jù)間的非線性轉(zhuǎn)化[4]。近年來，隨著深度學(xué)習(xí)在處理大樣本數(shù)據(jù)和計算機(jī)視覺領(lǐng)域中的優(yōu)異表現(xiàn)，使深度學(xué)習(xí)在醫(yī)學(xué)影像分析和疾病風(fēng)險預(yù)測方面戰(zhàn)勝了很多傳統(tǒng)機(jī)器學(xué)習(xí)算法[5]。在深度學(xué)習(xí)算法應(yīng)用于醫(yī)學(xué)影像處理之前，無論是基于圖像還是基于模型的算法，都無法到達(dá)臨床應(yīng)用要求。而深度學(xué)習(xí)不僅可以應(yīng)用于圖像的分割，還能通過降噪和超分辨率技術(shù)增強(qiáng)圖像質(zhì)量[6]。

AI在指導(dǎo)PCI介入治療中的應(yīng)用

目前，對于冠狀動脈的影像參數(shù)分析仍依賴于半自動軟件的測量或醫(yī)生主觀視覺判斷，操作比較費(fèi)時，且主觀判斷缺乏標(biāo)準(zhǔn)化。利用AI構(gòu)建冠脈影像自動分析模型，通過學(xué)習(xí)大樣本量冠脈影像，使模型獨(dú)自完成抽象特征的提取，實現(xiàn)精準(zhǔn)分割冠脈輪廓，量化管腔和斑塊特征，從而輔助術(shù)者優(yōu)化PCI治療策略，縮短手術(shù)時間[7]。

1.AI在冠脈造影中的應(yīng)用

冠脈造影是目前診斷冠心病和指導(dǎo)治療的重要工具，但冠脈造影的診斷依賴于醫(yī)生的臨床經(jīng)驗，不同醫(yī)生對狹窄程度的解讀往往存在一定主觀差異，從而影響治療決策的制定。雖然冠脈造影定量分析(quantitative coronary angiography,QCA)提供了客觀的量化指標(biāo)，但需要高質(zhì)量的造影圖像才能獲得準(zhǔn)確的冠脈參數(shù)。為了減少患者和醫(yī)生在圖像采集中的電離輻射，血管區(qū)域與背景對比度較低，盡管使用了計算機(jī)輔助工具，但復(fù)雜的背景結(jié)構(gòu)、心臟運(yùn)動、偽影和噪聲的存在,導(dǎo)致血管輪廓依然不能被清晰捕捉[8]。所以，許多傳統(tǒng)的血管分割算法對實現(xiàn)冠脈造影高精度分割仍是一個挑戰(zhàn)。近年來，數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)在圖像分割領(lǐng)域表現(xiàn)出色。謝麗華等[9]通過利用2834例冠心病患者的12900張冠脈造影圖像，搭建了基于反向傳播算法的深度神經(jīng)網(wǎng)絡(luò)，用于冠脈造影血管的分割和節(jié)段識別。通過將模型分割結(jié)果與專家標(biāo)注的結(jié)果相比較，計算模型的準(zhǔn)確度、陽性預(yù)測值、陰性預(yù)測值和ROC曲線下面積(area under curve,AUC)等指標(biāo)。結(jié)果顯示血管分割的準(zhǔn)確度、陽性預(yù)測值和陰性預(yù)測值分別為99.2%、87.1%和99.8%，AUC 為0.987。Yang等[10]基于U-Net卷積網(wǎng)絡(luò)構(gòu)建了冠脈造影血管分割模型，冠脈造影最狹窄處區(qū)域可以被清晰捕捉且具有高度的連接性。綜上，深度學(xué)習(xí)模型可以精準(zhǔn)分割冠脈造影血管輪廓，較少地使用手動校準(zhǔn)，減少了QCA的時間，進(jìn)而可以促進(jìn)QCA診斷方法的使用。

2.AI在血管內(nèi)超聲(intravascular ultrasound,IVUS)中的應(yīng)用

粥樣斑塊破裂伴閉塞性血栓形成是急性冠脈綜合征的主要誘因，早期識別薄纖維帽粥樣硬化斑塊(thin cap fibro atheroma,TCFA)對于預(yù)防急性冠脈綜合征有著重要意義。TCFA為纖維帽厚度<65 μm且有壞死脂質(zhì)核心的斑塊發(fā)生斑塊破裂和血栓的風(fēng)險較高，是主要心血管不良事件(major adverse cardiovascular events，MACE)獨(dú)立預(yù)測因子[11]。IVUS作為冠脈造影的重要補(bǔ)充手段可提供冠脈管壁結(jié)構(gòu)、斑塊負(fù)荷以及即刻評價支架置入的效果。多項隨機(jī)對照試驗表明IVUS引導(dǎo)下的PCI可以顯著降低再狹窄率和靶病變血運(yùn)重建率。目前，AI在IVUS領(lǐng)域的應(yīng)用主要體現(xiàn)在對IVUS圖像的分割和識別，包括自動分割I(lǐng)VUS影像中的管壁內(nèi)膜和中膜，獲得管腔和斑塊特征等信息[12]。Jun等[13]基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)構(gòu)建了TCFA的分類模型，用于自動識別負(fù)荷較重的易損斑塊。該CNN模型使用了12352張IVUS影像直接輸入，TCFA的標(biāo)簽基于患者的同一幀IVUS圖像與OCT圖像對比獲得。結(jié)果顯示該模型的特異度和敏感度分別為82.81%、87.31%，AUC為0.911。表明基于CNN算法模型可以精準(zhǔn)識別IVUS影像中的TCFA。隨著心血管病危險因素的增加，TCFA的發(fā)生率也逐漸增加。因此，利用深度學(xué)習(xí)模型早期識別TCFA，有效地為MACE事件的預(yù)測提供了補(bǔ)充工具。

3.AI在冠脈光學(xué)相干斷層成像(optical coherence tomography,OCT)中的應(yīng)用

OCT是繼IVUS后出現(xiàn)的一種新的冠脈內(nèi)成像技術(shù)，與IVUS 相比，OCT有著更高的空間分辨率，可更精確的檢測支架植入后的血管內(nèi)情況如支架貼壁不良、邊緣夾層和膨脹不良等。此外，在測量冠脈管腔直徑和面積方面也有更高精度[14]。由于OCT導(dǎo)管的一次回撤往往產(chǎn)生數(shù)百張圖像序列，醫(yī)生對圖像進(jìn)行精確評估將耗費(fèi)相當(dāng)大的時間和精力，而AI可以在短時間內(nèi)完成OCT影像的自動化分析。He[15]基于CNN構(gòu)建了自動識別OCT圖像中鈣化斑塊的分類器，與TCFA相比鈣化斑塊雖然相對穩(wěn)定，但是當(dāng)鈣化斑塊厚度>0.5 mm或鈣化角度>180°時，支架膨脹不良風(fēng)險將會增加。該研究中CNN模型對于斑塊鈣化的識別的準(zhǔn)確率達(dá)到96.9%，實現(xiàn)了對鈣化斑塊的精準(zhǔn)識別，從而可以在支架植入前給予靶病變血管充分的預(yù)處理如采用旋磨或切割球囊，以達(dá)到良好的支架膨脹效果。此外，支架尺寸的選擇在分叉病變中尤為重要，因為當(dāng)主支支架直徑過大會導(dǎo)致嵴的移位，從而造成分支的變形和狹窄[16]。同時，復(fù)雜分叉病變支架置入過程中需要重置導(dǎo)絲，導(dǎo)絲位置不理想會導(dǎo)致支架貼壁不良。而新一代3D-OCT不僅有支架尺寸自動選擇工具，還可以三維重建冠脈顯示分支開口和支架形態(tài)，并實時顯示支架貼壁影像，進(jìn)而減少支架膨脹不良和貼壁不良情況發(fā)生，為優(yōu)化支架植入策略提供了參考[17]。

4.AI在基于冠脈CT血流儲備分?jǐn)?shù)(fractional flow reserve,FFR)的應(yīng)用

冠狀動脈CT血管成像(coronary CT angiography，CCTA)作為評價冠心病最常用的無創(chuàng)影像技術(shù)，在診斷冠脈狹窄具有較高的準(zhǔn)確性。目前，已有橫斷面研究表明基于CCTA的斑塊分析與IVUS 有高度一致性，可以對斑塊進(jìn)行定量評價[18]。FFR是診斷冠狀動脈血管生理功能的金標(biāo)準(zhǔn)，能特異地反映心外膜下冠脈狹窄的功能學(xué)嚴(yán)重程度。然而，由于FFR檢查的有創(chuàng)性、價格昂貴以及腺苷等擴(kuò)血管藥物的使用，限制了其在臨床上的應(yīng)用。隨著AI在CCTA領(lǐng)域的不斷發(fā)展，基于CCTA的斑塊定量分析和FFR系統(tǒng)，避免了部分侵入性冠脈造影檢查[19,20]。同時，AI可以自動完成CCTA管腔的分割和狹窄測量等功能，較人工分析耗時平均縮短了39.37%，減輕了醫(yī)生工作量[21]。喬紅艷等[22]基于 CCTA 斑塊分析的基礎(chǔ)上通過聯(lián)合CT-FFR功能學(xué)指標(biāo)和斑塊參數(shù)進(jìn)一步預(yù)測了斑塊進(jìn)展。Kurata[23]基于深度學(xué)習(xí)評估了CT-FFR診斷冠脈狹窄的準(zhǔn)確性。研究表明CT-FFR與通過壓力導(dǎo)絲測量的FFR具有較好一致性且CT-FFR檢查平均耗時為16.4±7.5分鐘，實現(xiàn)了對冠脈狹窄功能學(xué)的實時評價。同時，Kimura[24]研究表明CT-FFR較通過壓力導(dǎo)絲測量的FFR，降低32% 的治療成本。綜上，CT-FFR結(jié)合了CCTA與FFR各自優(yōu)勢可從解剖和功能兩方面評估冠脈狹窄，避免了對部分患者進(jìn)行侵入性冠脈造影和腺苷等擴(kuò)血管藥物的使用，減輕了患者負(fù)擔(dān)。

目前，已經(jīng)有不少研究利用深度學(xué)習(xí)算法分割冠脈造影、CCTA、IVUS和OCT圖像并計算冠脈管腔和斑塊負(fù)荷等重要參數(shù)，與手動分析有良好的相關(guān)性且縮短了分析時間。通過AI對靶病變管壁和斑塊的自動化分析可輔助術(shù)者優(yōu)化PCI手術(shù)策略，減少手術(shù)時間。此外，深度學(xué)習(xí)可改善圖像的峰信噪比，進(jìn)一步提升圖像質(zhì)量[25]。

AI在PCI術(shù)預(yù)后評估中的應(yīng)用

心血管病介入治療過程中風(fēng)險-獲益評估是對患者進(jìn)行血運(yùn)重建治療的決策基礎(chǔ)。運(yùn)用危險評分可在血運(yùn)重建前用于預(yù)測結(jié)果為患者選擇PCI或冠狀動脈旁路移植術(shù)治療，也可以預(yù)測心肌血運(yùn)重建后MACE事件的發(fā)生率[26]。同時，心血管疾病是由遺傳、環(huán)境和行為學(xué)多因素共同造成，基于傳統(tǒng)回歸算法的風(fēng)險預(yù)測模型只能分析少量心血管危險因素。如臨床血運(yùn)重建常用的SYNTAX危險評分，僅基于冠狀動脈解剖特點，未包含與患者預(yù)后相關(guān)的臨床數(shù)據(jù)如年齡、吸煙、糖尿病和高血壓等，一些患者雖然具有相同SYNTAX評分，但不同的臨床情況可能對PCI預(yù)后產(chǎn)生巨大的差異[27]。而利用機(jī)器學(xué)習(xí)模型全面整合心血管病危險因素和冠脈影像解剖參數(shù)，優(yōu)化了傳統(tǒng)的風(fēng)險評估模型，識別高風(fēng)險患者，從而早期進(jìn)行干預(yù)治療。楊躍進(jìn)[28]團(tuán)隊基于23173名PCI患者的冠脈影像參數(shù)和臨床指標(biāo)選取了101個臨床變量作為預(yù)測因子，利用機(jī)器學(xué)習(xí)構(gòu)建了PCI術(shù)預(yù)后MACE風(fēng)險預(yù)測模型，預(yù)測PCI患者術(shù)后12個月MACE事件的發(fā)生率。研究表明基于隨機(jī)森林算法構(gòu)建的PCI術(shù)預(yù)后MACE預(yù)測模型，其準(zhǔn)確性、敏感性和AUC值分別為88.66%、79.58%和0.96。可準(zhǔn)確預(yù)測患者PCI術(shù)后MACE事件的發(fā)生率，進(jìn)而輔助醫(yī)生為高風(fēng)險患者制定個性化方案。

綜上，AI可以通過結(jié)合影像中高通量數(shù)據(jù)和患者臨床信息，構(gòu)建PCI術(shù)預(yù)后風(fēng)險評估模型，有助于醫(yī)生識別術(shù)后MACE高風(fēng)險人群，從而早期進(jìn)行干預(yù)治療。此外，風(fēng)險預(yù)測會增強(qiáng)患者健康管理意識，激發(fā)患者改變不良生活方式，堅持長期服用藥物。

問題與展望

需要指出的是盡管AI在醫(yī)學(xué)影像自動化解讀和疾病風(fēng)險預(yù)測模型方面取得一定進(jìn)展，但是在臨床實踐中也面臨著許多挑戰(zhàn)。首先，我國心血管疾病數(shù)據(jù)庫建設(shè)標(biāo)準(zhǔn)不統(tǒng)一且多為單中心，共享性差。而臨床上大多數(shù)心血管病風(fēng)險預(yù)測模型都是基于國外的數(shù)據(jù)庫完成，不能很好的解決我國心血管疾病風(fēng)險預(yù)測如Framingham風(fēng)險預(yù)測模型趨向于高估中國人的冠心病的發(fā)病風(fēng)險[29]。而基于數(shù)據(jù)構(gòu)建的AI影像自動分析和風(fēng)險預(yù)測模型的性能很大程度上依賴于數(shù)據(jù)庫質(zhì)量，因此，仍需提高我國心血管病數(shù)據(jù)庫建設(shè)的標(biāo)準(zhǔn)化。其次，不同的算法都有自身的局限性如深度學(xué)習(xí)在小樣本數(shù)據(jù)集訓(xùn)練會有過擬合風(fēng)險致其他數(shù)據(jù)集部署到該模型時通用性較差[30]。同時，目前仍缺乏對深度學(xué)習(xí)如何得出某些結(jié)論的理解，可解釋性也較差[31]。最后，雖然AI可以迅速完成某種特定目標(biāo)和任務(wù)，但是對于問題不能深入思考，更不能通過交流給予患者精神和心靈上的寬慰，對患者進(jìn)行人文關(guān)懷。

隨著國家醫(yī)學(xué)數(shù)據(jù)庫的進(jìn)一步共享，由數(shù)據(jù)驅(qū)動的AI技術(shù)也必將在醫(yī)療領(lǐng)域取得更快發(fā)展。目前，一系列人工智能產(chǎn)品正在走向臨床應(yīng)用如正在研發(fā)的集IVUS、OCT和FFR功能于一體的血管內(nèi)檢查手段，尋求一次測量同時獲得多維度臨床信息以解決IVUS、OCT和FFR耗材收費(fèi)昂貴的問題。以及通過感應(yīng)冠脈血流動力學(xué)變化，實時監(jiān)測支架內(nèi)再狹窄的"智能支架"也步入了我們的視野[32]。未來AI輔助下的PCI治療可能體現(xiàn)在術(shù)前對患者靶病變血管手術(shù)路徑的模擬、手術(shù)策略的推薦以及PCI機(jī)器人的廣泛應(yīng)用。為早日實現(xiàn)這一目標(biāo)，現(xiàn)在依然需要提高醫(yī)學(xué)數(shù)據(jù)結(jié)構(gòu)化水平，同時加強(qiáng)跨學(xué)科復(fù)合型人才的培養(yǎng)來推動AI輔助下的精準(zhǔn)PCI治療。