機器學習在心臟超聲領域中的研究進展

武玉多 貢 鳴 谷孝艷 張宏家 何怡華

超聲是一種無創、經濟、操作簡便的實時成像技術，但其具有成像質量差、差異性大等不足，因此，很有必要開發先進的自動化超聲圖像分析方法以幫助臨床進行超聲診斷。機器學習是一種智能化處理、解決問題的程序化模式，即讓計算機軟件系統根據數據自主進行學習，經過機器學習和訓練過程后，將臨床工作中需要處理的數據資料提供給經過訓練的計算機系統，然后通過機器自行處理、分析數據并獲取結果［1］。深度學習是將機器學習發展為一種極致，甚至是巔峰狀態，其處理問題的方式類似于人類大腦的思考過程，能夠從容處理復雜多樣的信息資源并進行決策分析，提供所需要的信息處理結果［2］。近年來機器學習在疾病診斷和預后評價等方面均取得了極大成功。本文就機器學習在心臟超聲領域中的應用進展進行綜述。

一、機器學習的內容

機器學習大體上可以分為監督學習、無監督學習、半監督學習和強化學習4類［3］。其中，監督學習是最經典且應用最廣泛的一種模式，研究者首先需確定研究目的和內容，然后將其提供給機器進行學習。如將對心內膜邊界的自動識別和標記作為研究目的和內容，在對機器進行訓練之后，使其擁有對心內膜邊界的識別能力，對訓練好的模型進行測試過程，就可以實現自動化描跡的過程。無監督學習是指研究者無需確定具體訓練內容（即研究目標），也無需將提供機器學習的數據資料進行人為分類、標注，而是將這些數據資料通過機器學習系統自行處理、分類，最后從系統的輸出結果中獲取臨床感興趣的信息（如疾病好發群體所具有的特征、疾病相似的臨床表征等）。其是一種非常重要的學習模式，有助于揭示疾病的本質特征，了解不同變量資料之間的潛在關聯，因此在科研領域最具價值。半監督學習和強化學習在日常生活中也較常見，如游戲過程中的人機對抗模式和無人駕駛汽車技術，即為強化學習的實際應用。

二、機器學習在超聲診斷中的應用

由于日常工作中收集的臨床數據類型復雜多樣，且大部分慢性心血管疾病具有復雜性，不僅需要對這些數據資料進行分類、整合，還應了解每一個數據或不同數據組合所代表的臨床意義。將超聲影像與臨床數據相結合，構成了臨床工作中的超聲診斷流程［4］。近年提出的“超聲診斷組學”這一概念，就是將超聲影像資料、患者的臨床信息（包括遺傳學檢查結果在內的相關檢查等數據）與人工智能診斷技術“三合一”的一種全新的臨床診斷模式［5］。將機器學習應用于超聲診斷的另一個客觀原因在于：超聲檢查作為一項簡便、價廉、無創、可重復性佳的影像學檢查項目，其臨床應用十分廣泛［6］。超聲的檢查需求在不斷增加，且其診斷過程需整合不同影像切面（定性診斷資料）和超聲測值（定量資料），意味著需要對越來越多的影像和數據信息進行處理、整合，因此臨床亟需一種全新的超聲診斷模式。

現代化的超聲檢查儀器配備各種機器學習軟件或插件，如心內膜邊界軌跡自動描跡技術就是一種機器學習的體現，通過機器學習心內膜邊界，然后自動描跡并進行面積（體積）測量，可簡化或替代傳統的人工測量［7］。雖然機器學習能為日常工作帶來便利，但由于該方法與人類大腦運作機制之間存在巨大的差異，學習模型較為單一，因此今后需針對上述不足進一步研究，明確機器學習系統是如何做出判斷，以對模型進行修正，達到技術應用的最優化程度［8］。另外，應用機器學習的費用較高，在基層單位的推廣應用有一定限制。

三、機器學習技術在心臟超聲領域中的應用

1.對心臟結構和功能的評價：有研究［9］將左室射血分數（LVEF）和縱向應變（LS）的人工測值與機器自動測值進行相關性分析，發現兩者間相關性較高（r=0.92，P＜0.001），且采用機器學習系統自動測量法能夠消除不同檢查者間的測量差異，極大地縮短測量時間，提高效率。機器學習除了能夠對心臟功能進行定量評價外，還能對心臟結構進行判斷和評價。有研究［10］應用機器學習的機器識圖技術分析肥厚型心肌病患者和運動員的心臟超聲圖像，對肥厚型心肌病患者的病理性心肌肥厚和運動員生理狀態下的心肌代償性增厚進行鑒別，結果表明機器學習技術鑒別兩者的總體敏感性和特異性分別為87%和82%，調整年齡后分別為96%和77%。另有研究［11］在機器識圖技術的基礎上，通過識別患者心臟超聲圖像上的左房、左室結構特征，實現機器學習對左心舒張功能及其嚴重程度的評價。臨床上心臟舒張功能異常多見于限制性心肌病和縮窄型心包炎患者，兩者的臨床特征和超聲表現相似，有學者［12］應用機器識圖技術對其進行鑒別診斷，通過超聲圖像的識別、特征提取，結合相關超聲參數測值實現了兩者的準確鑒別。

2.判斷是否需行超聲心動圖檢查：對于不存在心臟器質性病變或是處于疾病早期尚未發生明顯心臟結構或功能改變的患者，行超聲心動圖檢查的臨床意義不大［13］。如何使超聲心動圖的使用更為合理有效亦是機器深度學習的目的之一，12導聯心電圖檢查可確定患者是否存在心臟結構或功能異常，但其提供的診斷信息不及超聲心動圖豐富，臨床可以通過深度學習技術從心電圖的波形中提取更多有用的信息［14-15］。有研究［16］對患者心電圖檢查的波形特征進行信息提取，應用深度學習技術推斷患者有無明顯心臟結構或功能異常，進一步明確是否有行超聲心動圖檢查的必要，確定患者是否具有超聲心動圖檢查指征，體現了機器學習在實現醫療資源的合理使用、滿足分級診療需要這一層面的潛在價值。

3.對超聲心動圖影像的自動識別：有研究［17］嘗試通過機器學習技術使系統能夠自動識別心臟超聲檢查時常見的15種圖像（包括12個常用檢查切面二維圖像的動態圖和靜態圖，以及脈沖和連續血流頻譜、M型超聲3種靜態圖），并將不同的超聲圖像按類型進行自動分類，首先通過機器對每一張圖像進行特征提取，然后使用機器學習技術中的聚類分析法或深度學習方法將圖像特征相同或相似的超聲影像聚在一起，從而實現機器對不同類型超聲圖像的自動分類過程。該研究結果表明機器學習系統對超聲圖像的自動分類具有很高的準確性，且對于低分辨率的超聲圖像，機器分類的準確率甚至高于高年資的心臟超聲醫師，表明機器學習可以在一定程度上輔助超聲醫師的日常工作，提高診斷準確率［18］。另外，機器學習技術還可以應用于負荷超聲心動圖的相關研究，其能自動去除室壁運動時產生的聲影偽像，并從影像中提取有價值的診斷信息［19］。通過機器學習技術，可達到疾病的早期診斷、風險評估效果，實現早期風險預警和疾病預測，形成自動化的調節反饋系統，構建降低發病風險的干預機制，并實現疾病的有效治療［20］。

四、小結

機器學習已廣泛應用于臨床心血管疾病的診斷，可為臨床醫師提供參考信息。三維超聲技術是目前醫學成像領域中的一種重要成像模態，今后可開發更多三維超聲技術相關的機器深度學習算法用于醫學超聲圖像分析，為臨床及影像醫師提供新的診療視野。