基于文獻(xiàn)計(jì)量方法的人工智能在超聲心動(dòng)圖中的應(yīng)用進(jìn)展研究

張浩，常建東

廈門(mén)市中醫(yī)院 超聲科，福建 廈門(mén) 361000

引言

超聲心動(dòng)圖是臨床心臟病學(xué)中重要的無(wú)創(chuàng)成像技術(shù)之一，可對(duì)心臟進(jìn)行實(shí)時(shí)和動(dòng)態(tài)的觀察，在評(píng)價(jià)心臟解剖、心室功能及瓣膜生理中應(yīng)用廣泛[1-3]。然而，對(duì)超聲心動(dòng)圖進(jìn)行解讀卻需要大量的積累以及經(jīng)驗(yàn)，這大大限制了其在基層醫(yī)院以及非專業(yè)的影像科醫(yī)生中的應(yīng)用。目前，隨著人工智能技術(shù)的發(fā)展，國(guó)際上已有許多前沿機(jī)構(gòu)將機(jī)器學(xué)習(xí)系統(tǒng)地應(yīng)用于圖像識(shí)別[4]，并開(kāi)發(fā)出許多基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）算法對(duì)各類(lèi)超聲心動(dòng)圖進(jìn)行判別[5-7]。因此，了解目前人工智能技術(shù)在超聲心動(dòng)圖中應(yīng)用的現(xiàn)狀以及趨勢(shì)將有助于我國(guó)學(xué)者發(fā)現(xiàn)該領(lǐng)域的研究空白并對(duì)該空白進(jìn)行研究，進(jìn)而自主研發(fā)出相應(yīng)算法對(duì)我國(guó)的超聲心動(dòng)圖進(jìn)行自動(dòng)判別。而Citespace是一款可針對(duì)大量文獻(xiàn)進(jìn)行計(jì)量并可視化分析的軟件，能夠直觀地展現(xiàn)某一學(xué)科研究領(lǐng)域中知識(shí)結(jié)構(gòu)的分布以及規(guī)律[8-9]，因此，利用該軟件，可以了解人工智能技術(shù)在超聲心動(dòng)圖中應(yīng)用的研究現(xiàn)狀、熱點(diǎn)、前沿以及趨勢(shì)，能夠?yàn)槲覈?guó)學(xué)者在該領(lǐng)域的研究提供參考以及方向。

1 材料與方法

1.1 數(shù)據(jù)收集

以“echocardiography”O(jiān)R“echocardiogram”AND“Ar tificial Intelligence”O(jiān)R“Deep Learning”O(jiān)R“Machine Learning”O(jiān)R“Convolutional Neural Networks” 為 主題詞，在Web of Science中的核心數(shù)據(jù)庫(kù)檢索，時(shí)間設(shè)定為“2011—2021年”，選擇論文類(lèi)型為“Article”以 及“Review”，排 除“Editorial Material”“Meeting Abstract”“Early Access”“Letter” 和“Retracted Publication”等其他的文獻(xiàn)類(lèi)型，將其以txt純文本及全紀(jì)錄格式導(dǎo)入Citespace并去重后進(jìn)行分析。

1.2 研究方法

使用Citespace 5.6.R5（64-bit）對(duì)文獻(xiàn)的國(guó)家、機(jī)構(gòu)、期刊、關(guān)鍵詞、共被引參考文獻(xiàn)等進(jìn)行文獻(xiàn)計(jì)量以及進(jìn)行可視化分析，并生成相應(yīng)圖譜。使用Excel 2010對(duì)Web of Science上檢索到的該領(lǐng)域的文獻(xiàn)年發(fā)文量進(jìn)行圖表繪制，以及對(duì)從Citespace中導(dǎo)出的文獻(xiàn)計(jì)量資料進(jìn)行統(tǒng)計(jì)分析。Citespace的參數(shù)設(shè)置如下：Time slicing:2013—2021; yearsper slice: 1; selection criteria: G-index;visualization: cluster view-static, show merged network;Pruning: Pathfinder, Pruning sliced networks, Pruning the merged network。

2 結(jié)果

2.1 文獻(xiàn)量分布

在2013—2021年共檢索出383篇文獻(xiàn)，見(jiàn)圖1。在人工智能技術(shù)于超聲心動(dòng)圖的應(yīng)用領(lǐng)域中，2013—2018年的發(fā)文量較少且相對(duì)平穩(wěn)，隨著時(shí)間的推移，2019—2021年，該領(lǐng)域的發(fā)文量呈爆發(fā)性增長(zhǎng)，說(shuō)明該領(lǐng)域是近3年的研究熱點(diǎn)，可推測(cè)將來(lái)該領(lǐng)域仍有較廣闊的研究前景。

圖1 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中相關(guān)文獻(xiàn)的年發(fā)文量

2.2 國(guó)家以及地區(qū)分布

通過(guò)Citespace對(duì)發(fā)文國(guó)家及地區(qū)進(jìn)行文獻(xiàn)計(jì)量及可視化分析，排名前10的國(guó)家/地區(qū)如表1所示，美國(guó)的發(fā)文量是中國(guó)的2.4倍，同時(shí)中介中心性為0.39，因此可認(rèn)為美國(guó)對(duì)該領(lǐng)域的發(fā)展起“領(lǐng)頭羊”作用。在國(guó)家合作圖譜中（圖2），有節(jié)點(diǎn)64個(gè)、連線124條。其中節(jié)點(diǎn)的大小即表示發(fā)文量的多少，節(jié)點(diǎn)外圈的紫色代表該節(jié)點(diǎn)的中介中心性，即代表該節(jié)點(diǎn)在該網(wǎng)絡(luò)中的重要性，紫色的面積最大，中介中心性越高[10]；而連線則代表各節(jié)點(diǎn)之間的合作關(guān)系，其粗細(xì)代表合作的強(qiáng)度。因此，從圖中可以看出美國(guó)、意大利、德國(guó)之間的合作較為緊密，中國(guó)、英國(guó)、韓國(guó)之間的合作較為緊密，印度、新加坡、馬來(lái)西亞之間合作較為緊密。盡管我國(guó)發(fā)文量位居第二，然而中介中心性并不高，說(shuō)明我國(guó)需要在該領(lǐng)域進(jìn)行一些高質(zhì)量的研究。

圖2 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中國(guó)家/地區(qū)合作圖譜

表1 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中相關(guān)文獻(xiàn)數(shù)量前10的國(guó)家/地區(qū)

2.3 研究機(jī)構(gòu)分布

通過(guò)Citespace對(duì)該領(lǐng)域的研究機(jī)構(gòu)進(jìn)行可視化分析后發(fā)現(xiàn)，有節(jié)點(diǎn)219個(gè)、連線281條。發(fā)文量前10的研究機(jī)構(gòu)如表2所示，其中美國(guó)有6個(gè)，可見(jiàn)美國(guó)高校及研究機(jī)構(gòu)是該研究領(lǐng)域的主要陣地，說(shuō)明在人工智能的深度學(xué)習(xí)領(lǐng)域，美國(guó)獨(dú)占鰲頭。而從機(jī)構(gòu)之間合作的圖譜來(lái)看（圖3），我國(guó)的上海交通大學(xué)、中山大學(xué)、南方醫(yī)科大學(xué)、香港中文大學(xué)之間有合作關(guān)系，梅奧醫(yī)學(xué)中心、俄羅斯科學(xué)院、得克薩斯農(nóng)工大學(xué)、圣約瑟夫大學(xué)之間有合作關(guān)系，西北大學(xué)、麻省總醫(yī)院、阿拉巴馬大學(xué)伯明翰分校之間有合作關(guān)系。然而各機(jī)構(gòu)之間的合作主要還是以地域?yàn)橹鳎鲊?guó)的機(jī)構(gòu)之間缺乏充分的交流與合作。

圖3 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中科研機(jī)構(gòu)合作圖譜

表2 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中相關(guān)文獻(xiàn)數(shù)量前10的研究機(jī)構(gòu)

2.4 載文期刊分布

如表3所示為人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中發(fā)文量前10的期刊，從期刊的類(lèi)型來(lái)看，主要還是以醫(yī)學(xué)類(lèi)為主，其中小類(lèi)學(xué)科為心臟和心血管系統(tǒng)，僅有1個(gè)是工程技術(shù)大類(lèi)期刊下計(jì)算機(jī)、信息系統(tǒng)欄目。從期刊名及影響因子來(lái)看，絕大多數(shù)都是心臟和心血管系統(tǒng)領(lǐng)域的知名期刊；同時(shí)，有80%的期刊來(lái)自美國(guó)。其中影響因子最高的期刊是美國(guó)的JACC-Cardiovasc Imag，為14.805分，另外，來(lái)自美國(guó)的IEEE T Med Imaging期刊影響因子也達(dá)到10.048分，除此之外，大部分期刊的影響因子都在5分左右。無(wú)論從刊文量或影響因子來(lái)看，美國(guó)的期刊均在該領(lǐng)域占有絕對(duì)優(yōu)勢(shì)。

表3 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中刊文量前10的期刊

3 共被引文獻(xiàn)分析

人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中共被引次數(shù)前10的文獻(xiàn)如表4所示，這10篇高被引文獻(xiàn)中，有7篇是關(guān)于各種CNN算法在超聲心動(dòng)圖識(shí)別中的應(yīng)用研究，2篇是關(guān)于人工智能深度學(xué)習(xí)的研究，1篇是歐洲心血管成像協(xié)會(huì)針對(duì)成人超聲心動(dòng)圖給出的檢查指南。其中共被引次數(shù)最高（70次）的是Zhang等[11]發(fā)表在Ophthalmology上的關(guān)于在臨床實(shí)踐中使用人工智能技術(shù)對(duì)超聲心動(dòng)圖判讀的可行性及診斷準(zhǔn)確性分析。而歐洲心血管成像協(xié)會(huì)針對(duì)成人超聲心動(dòng)圖中心腔量化給出的建議共被引次數(shù)為60，排名第2[3]。另外共被引次數(shù)排名第3及第4的是Madani等[12]的基于深度學(xué)習(xí)技術(shù)對(duì)超聲心動(dòng)圖進(jìn)行快速準(zhǔn)確視圖分類(lèi)的研究及Ronneberger等[13]利用U-Net CNN對(duì)生物醫(yī)學(xué)圖像進(jìn)行分割的報(bào)道，分別為47次及41次。

表4 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中共被引次數(shù)前10的文獻(xiàn)

4 研究趨勢(shì)及熱點(diǎn)分析

利用Citespace選取關(guān)鍵詞作為節(jié)點(diǎn)，運(yùn)用其突現(xiàn)詞分析功能，可揭示人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中的趨勢(shì)以及熱點(diǎn)。突現(xiàn)是指一些關(guān)鍵詞出現(xiàn)的頻率在短時(shí)間內(nèi)激增，反映了該階段的熱點(diǎn)[19-20]。圖4顯示了從2013—2021年近10年來(lái)人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中的突現(xiàn)詞，共計(jì)17個(gè)。紅色的條紋代表該熱點(diǎn)的持續(xù)時(shí)間。因此，在該領(lǐng)域，早期在于探索如何將人工智能技術(shù)應(yīng)用于超聲心動(dòng)圖的識(shí)別，即如何將圖像的特征與相應(yīng)的診斷進(jìn)行關(guān)聯(lián)，后來(lái)即通過(guò)開(kāi)發(fā)相應(yīng)的算法對(duì)二維超聲心動(dòng)圖進(jìn)行識(shí)別，最近的熱點(diǎn)為將深度學(xué)習(xí)應(yīng)用于超聲心動(dòng)圖的心肌病及冠心病等的診斷。

圖4 2013—2021年人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中的突現(xiàn)關(guān)鍵詞

5 討論

本研究通過(guò)Citespace對(duì)Web of Science核心數(shù)據(jù)庫(kù)中近10年關(guān)于人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域中發(fā)表的文獻(xiàn)進(jìn)行文獻(xiàn)計(jì)量以及可視化分析，從年發(fā)文量、主要的研究國(guó)家及地區(qū)、研究機(jī)構(gòu)、該領(lǐng)域的主要發(fā)文期刊及代表性文獻(xiàn)、該領(lǐng)域的研究熱點(diǎn)以及前沿等方面進(jìn)行了較為全面的分析。

5.1 年發(fā)文量

本文對(duì)人工智能技術(shù)在超聲心動(dòng)圖中的應(yīng)用領(lǐng)域進(jìn)行了較為廣泛且深入的研究，結(jié)果表明，近10年發(fā)文量呈上升趨勢(shì)，由圖1可知，2013—2018年，該領(lǐng)域發(fā)文量呈緩慢增長(zhǎng)的趨勢(shì)；2019—2021年，該領(lǐng)域內(nèi)發(fā)文量呈現(xiàn)暴漲的趨勢(shì)，2019年發(fā)文量是2018年的2.2倍，而2020年的發(fā)文量是2019年的2.6倍左右，2021年的發(fā)文量約為前2年之和。因此，根據(jù)科研熱點(diǎn)趨勢(shì)情況的一般規(guī)律可以推測(cè)，將來(lái)人工智能技術(shù)在超聲心動(dòng)圖的應(yīng)用領(lǐng)域中，基于各種深度學(xué)習(xí)及CNN算法應(yīng)用于圖像識(shí)別及診斷的研究將繼續(xù)保持較高熱度。

5.2 研究國(guó)家

各國(guó)在該領(lǐng)域的研究，形成以美國(guó)為核心的布局，環(huán)繞在美國(guó)周邊的主要研究國(guó)家有中國(guó)、英國(guó)、韓國(guó)、德國(guó)、西班牙等。因此，美國(guó)在人工智能醫(yī)學(xué)影像識(shí)別的前沿領(lǐng)域依然占據(jù)優(yōu)勢(shì)地位，而周邊各國(guó)主要是和美國(guó)有合作關(guān)系。然而，從各國(guó)合作的可視化圖可以看出，各國(guó)之間的聯(lián)系并不緊密，說(shuō)明各國(guó)之間的合作并不多。美國(guó)及中國(guó)的發(fā)文量最多，而美國(guó)的發(fā)文量約是中國(guó)、英國(guó)、法國(guó)、加拿大之和。盡管我國(guó)的發(fā)文量位居第2，但我國(guó)在該領(lǐng)域研究的中介中心性并不高，僅0.06，而中介中心性是評(píng)價(jià)文章在該領(lǐng)域影響力的一個(gè)重要指標(biāo)。我國(guó)主要與英國(guó)、韓國(guó)之間的合作較為緊密，這說(shuō)明我國(guó)不僅需要在該領(lǐng)域加強(qiáng)與他國(guó)之間的交流合作，還需要開(kāi)發(fā)一些原創(chuàng)性算法，對(duì)人工智能在超聲心動(dòng)圖應(yīng)用領(lǐng)域進(jìn)行深入研究，力求有創(chuàng)新及突破。

5.3 研究機(jī)構(gòu)

從研究機(jī)構(gòu)來(lái)看，該領(lǐng)域的研究主要在國(guó)際上高水平的研究機(jī)構(gòu)中進(jìn)行，如梅奧醫(yī)學(xué)中心、不列顛哥倫比亞大學(xué)、西北大學(xué)等，皆是世界級(jí)名校或頂級(jí)的醫(yī)療機(jī)構(gòu)。這說(shuō)明將人工智能應(yīng)用于生物圖像信息識(shí)別，特別是醫(yī)學(xué)影像方面，對(duì)高精尖技術(shù)的要求極高。從趨勢(shì)來(lái)看，醫(yī)學(xué)影像判讀的人工智能化將是未來(lái)的研究熱點(diǎn)。我國(guó)的研究機(jī)構(gòu)主要以中國(guó)科學(xué)院、中山大學(xué)、南方醫(yī)科大學(xué)為主；然而各研究機(jī)構(gòu)主要是以地域形成各自的研究圈子，從全球的角度看，合作相對(duì)分散，缺乏充分的交流及合作。該領(lǐng)域是多學(xué)科結(jié)合的新興領(lǐng)域，因此僅依靠醫(yī)學(xué)院或工科院校無(wú)法在該領(lǐng)域取得研究上的突破，因此，我國(guó)的頂級(jí)醫(yī)療機(jī)構(gòu)應(yīng)充分與具有人工智能優(yōu)勢(shì)的科研院所交流合作，如中國(guó)科學(xué)院等一流科研機(jī)構(gòu)。

5.4 發(fā)文期刊

該領(lǐng)域的發(fā)文期刊絕大多數(shù)為心臟和心血管系統(tǒng)的Top期刊，與發(fā)文量最多的國(guó)家及研究機(jī)構(gòu)主要地區(qū)相似的是，該領(lǐng)域的發(fā)文期刊仍是以美國(guó)為主。因該領(lǐng)域主要是屬于學(xué)科交叉范疇，因此前10的發(fā)行期刊中包含了1本在工程技術(shù)大類(lèi)下的期刊（IEEE Access）。在該領(lǐng)域發(fā)文量最多的期刊是來(lái)自瑞士的Front Cardiovasc Med，影響因子為6.050分，分區(qū)為中科院二區(qū)，排名第2及第3的期刊為來(lái)自美國(guó)的IEEE T Med Imaging和JACC-Cardiovasc Imag，影響因子分別為10.048和14.805，分區(qū)為中科院一區(qū)。因此從發(fā)文量最多期刊的影響因子及分區(qū)也能直觀看出該領(lǐng)域研究的價(jià)值。

5.5 研究趨勢(shì)

通過(guò)對(duì)關(guān)鍵詞的共現(xiàn)，從突現(xiàn)詞的角度可以了解人工智能技術(shù)在超聲心動(dòng)圖應(yīng)用領(lǐng)域的研究熱點(diǎn)以及趨勢(shì)。可以將其總結(jié)為3個(gè)階段：① 早期在于探索如何將人工智能技術(shù)應(yīng)用于超聲心動(dòng)圖的識(shí)別，即如何將圖像的特征與相應(yīng)的診斷進(jìn)行關(guān)聯(lián)；② 后來(lái)通過(guò)開(kāi)發(fā)相應(yīng)的算法對(duì)二維超聲心動(dòng)圖進(jìn)行識(shí)別；③ 最近的熱點(diǎn)在將深度學(xué)習(xí)應(yīng)用于超聲心動(dòng)圖的心肌病及冠心病等的診斷。2015年Knackstedt等[2]使用具備機(jī)器學(xué)習(xí)功能的新型全自動(dòng)圖像分析軟件對(duì)左心室容積和射血分?jǐn)?shù)以及縱向應(yīng)變進(jìn)行測(cè)量，并且與目測(cè)法及手動(dòng)追蹤法進(jìn)行對(duì)比，發(fā)現(xiàn)應(yīng)用機(jī)器學(xué)習(xí)的全自動(dòng)分析軟件能夠進(jìn)行快速、可重復(fù)的測(cè)量，并且與手動(dòng)追蹤具有良好的一致性。同年，Ronneberger等[13]發(fā)表的文章開(kāi)啟了將全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）應(yīng)用于生物圖像識(shí)別方面的熱潮。U-Net是一種端到端的U型FCN，該算法在ISBI2015顯微圖像分割競(jìng)賽中取得冠軍，優(yōu)于卷積滑動(dòng)窗口算法，采用編碼器（下采樣）-編碼器（上采樣）的設(shè)計(jì)方式；筆者認(rèn)為FCN需要的注釋圖像數(shù)量較少，能非常好地應(yīng)用于生物醫(yī)學(xué)影像領(lǐng)域。

有了對(duì)醫(yī)學(xué)影像圖像進(jìn)行快速識(shí)別分隔的方法后，2016年，Narula等[14]開(kāi)發(fā)了具有3種不同機(jī)器學(xué)習(xí)算法（支持向量機(jī)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)）的集成機(jī)器學(xué)習(xí)模型，通過(guò)對(duì)斑點(diǎn)追蹤超聲心動(dòng)圖數(shù)據(jù)集的識(shí)別，來(lái)區(qū)分肥厚型心肌病和運(yùn)動(dòng)員生理性肥厚。同年，Tsang等[21]通過(guò)自動(dòng)自適應(yīng)分析算法計(jì)算3D經(jīng)胸超聲心動(dòng)圖中左心房和左心室容積以及左心室射血分?jǐn)?shù)，結(jié)果與現(xiàn)實(shí)生活中使用手動(dòng)三維超聲心動(dòng)圖的測(cè)量值（r=0.87vs.0.96）及心臟磁共振測(cè)量值（r=0.84vs.0.95）相當(dāng)。至2018年，Madani等[12]基于深度學(xué)習(xí)對(duì)超聲心動(dòng)圖的快速準(zhǔn)確視圖分類(lèi)進(jìn)行了探索，他們將經(jīng)胸超聲心動(dòng)圖分為15個(gè)標(biāo)準(zhǔn)視圖（胸骨旁長(zhǎng)軸、右心室流入道、基底短軸、中段或二尖瓣水平的短軸、心尖四腔、心尖五腔、心尖二腔、心尖三腔/心尖長(zhǎng)軸、肋下四腔、肋下下腔靜脈、肋下/腹主動(dòng)脈、胸骨上主動(dòng)脈/主動(dòng)脈弓、脈沖多普勒、連續(xù)波多普勒和m模式），使用隨機(jī)選擇的真實(shí)世界超聲心動(dòng)圖來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的模型，進(jìn)而利用CNN的監(jiān)督深度學(xué)習(xí)對(duì)圖像進(jìn)行自動(dòng)分類(lèi)以及識(shí)別，從而劃分到這15個(gè)標(biāo)準(zhǔn)視圖中，實(shí)現(xiàn)了97.8%的平均總體測(cè)試準(zhǔn)確率。其中，在前12個(gè)視圖中的7個(gè)中實(shí)現(xiàn)了100%的準(zhǔn)確率，在連續(xù)波、脈沖寬度和m模式中的準(zhǔn)確率分別為98%、83%和99%。

因此，鑒于已有諸多研究證明了人工智能應(yīng)用于超聲心動(dòng)圖圖像識(shí)別的可行性，學(xué)者們開(kāi)始考慮在現(xiàn)實(shí)場(chǎng)景中布局人工智能診斷。如Zhang等[11]研究了臨床實(shí)踐中的全自動(dòng)超聲心動(dòng)圖判讀可行性和診斷準(zhǔn)確性，他們通過(guò)使用CNN模型，來(lái)對(duì)超聲心動(dòng)圖進(jìn)行多個(gè)視圖的自動(dòng)識(shí)別以及心腔分割，以量化心室容積和左心室質(zhì)量，確定射血分?jǐn)?shù)，并通過(guò)斑點(diǎn)追蹤自動(dòng)確定縱向應(yīng)變，其中左心室質(zhì)量、左心室舒張容積和左心房容積觀測(cè)值的中位數(shù)絕對(duì)偏差為15%～17%，射血分?jǐn)?shù)的中位數(shù)絕對(duì)偏差為9.7%（n=6407），縱向應(yīng)變測(cè)量值的中位數(shù)絕對(duì)偏差為7.5%（n=419）和9.0%（n=110）；并且開(kāi)發(fā)了3種模型用于檢測(cè)肥厚型心肌病、心臟淀粉樣蛋白和肺動(dòng)脈高壓，其ROC曲線下面積分別為0.93、0.87、0.80，認(rèn)為超聲心動(dòng)圖的自動(dòng)判讀能夠大大增加其在基層醫(yī)療機(jī)構(gòu)的普及化。

5.6 研究熱點(diǎn)

近期的熱點(diǎn)在于應(yīng)用CNN模型對(duì)超聲心動(dòng)圖圖像中的局部室壁運(yùn)動(dòng)異常進(jìn)行評(píng)估及識(shí)別，進(jìn)而預(yù)測(cè)患者的表型。如2020年Kusunose等[22]研究了深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks，DCNN）是否能提供更好的局部室壁運(yùn)動(dòng)異常檢測(cè)，通過(guò)在常規(guī)二維超聲心動(dòng)圖圖像中區(qū)分冠狀動(dòng)脈梗死區(qū)域，并與心臟病專家、超聲醫(yī)師和住院醫(yī)師的診斷相比較，結(jié)果表明深度學(xué)習(xí)算法的AUC與心臟病專家和超聲醫(yī)師判讀的相似（0.99vs.0.98，P=0.150）；顯著高于住院醫(yī)師的判讀結(jié)果（0.99vs.0.90，P=0.002）。另外，對(duì)于左室節(jié)段運(yùn)動(dòng)異常存在區(qū)域的檢測(cè)，也出現(xiàn)類(lèi)似的結(jié)果。這表明DCNN在超聲心動(dòng)圖領(lǐng)域可用于局部室壁運(yùn)動(dòng)異常的自動(dòng)診斷。同年，Ghorbani等[18]訓(xùn)練了1個(gè)神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別局部心臟結(jié)構(gòu)，估計(jì)心臟功能，并預(yù)測(cè)患者的表型。該EchoNet深度學(xué)習(xí)模型可準(zhǔn)確識(shí)別起搏器導(dǎo)線（AUC=0.89）、左心房擴(kuò)大（AUC=0.86）、左心室肥大（AUC=0.75）、左心室收縮末期和舒張末期容積（R2=0.74、0.70）、射血分?jǐn)?shù)（R2=0.50）；同時(shí)也可對(duì)表型進(jìn)行較準(zhǔn)確的預(yù)測(cè)。

6 總結(jié)

目前，在人工智能技術(shù)愈演愈熱，且已應(yīng)用于生產(chǎn)生活的各個(gè)場(chǎng)景的大背景下[23-26]，在醫(yī)學(xué)影像學(xué)領(lǐng)域，特別是超聲心動(dòng)圖的識(shí)別方面，也出現(xiàn)了很多新的研究[27-28]，并且將在很大程度上改變目前超聲診斷領(lǐng)域的分工。本文應(yīng)用CiteSpace軟件分析了近10年來(lái)人工智能在超聲心動(dòng)圖應(yīng)用領(lǐng)域中發(fā)表的相關(guān)文獻(xiàn)，展示出了該領(lǐng)域目前主要的研究現(xiàn)狀，分析了其研究主體（主要研究國(guó)家及機(jī)構(gòu)）在全球的分布以及研究中取得的階段性的成果，并揭示了該領(lǐng)域的研究趨勢(shì)以及當(dāng)下的研究熱點(diǎn)，可為研究人員對(duì)該領(lǐng)域進(jìn)行進(jìn)一步研究提供一定的參考價(jià)值。