心血管疾病影像診斷中AI 的應用與進展

袁佳瑤，陳宇西，劉澤輝，辛 越，程 雯，楊 旭

（西安醫學院醫學技術學院，陜西 西安 710021）

0 引言

人工智能（artificial intelligence, AI）是基于計算機科學的多學科交叉研究[1]，核心技術為機器學習[2]（machine learning, ML）。隨著醫療大數據時代的到來，AI 的應用涉及醫學的各個領域，為疾病的診療提供了新思路。基于傳統影像的心血管疾病的診療過度依賴醫師的經驗和主觀判斷，且經驗不足的年輕醫師存在誤診及漏診的現象[3]。將AI 應用于心血管影像，能顯著提高醫師診斷效率及診斷精度，緩解醫療人力資源緊張狀況。進一步結合基因和病理信息能夠更加有針對性的實施精準醫療。

1 人工智能概述

AI 是計算機學科的一個分支，是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術學科[4]。目前人工智能主要應用于心血管疾病醫療圖像的處理和數據的分析。AI 主要的一個分支是ML，指導計算機在數據中學習，根據數據分析結果不斷改進算法模型，數據越多，得到的模型越準確。深度學習（deep learning, DL）是ML 領域中一個新的研究方向，通過訓練算法，建立新的模型，在識別文字、圖像、聲音等數據上有重大突破。其中卷積神經網絡（CNN）是應用最多的學習算法，它通過逐層特征變換，將醫學圖像轉變為可視化的數據并進行分析，輔助臨床醫師進行診斷。

2 AI 在心血管疾病影像診斷中的應用

2.1 AIˉCT

冠狀動脈CT 血管造影（CCTA）是篩查、診斷各類心血管疾病最重要的一項技術，因其無創且高效成為心臟影像檢查最常用的方法之一。將AI 應用于CT 檢查心臟血管的整個過程，首先可以減少重建和分割圖像的時間，即AI 針對CT 成像過程的輔助，其次可以輔助臨床醫師診斷，還可以預防心血管疾病，預后評估及危險分層。

2.1.1 優化CT 成像過程

心血管成像質量與病人體質量指數（BMI）相關[5]，隨著BMI 的增加，在其他決定影像質量的因素不變的情況下，輻射量會逐漸增加。在AI 算法的優化之下，現在基本實現在減少輻射量的同時保證影像質量，還可以大幅縮短成像等待時間。Wolterink 等[6]提出卷積神經網絡與對抗型神經網絡聯合訓練的方法可以消除低劑量下CT 圖像的噪聲影響，同時還可以進行圖像的分割。深度學習的AI 對于圖像的分割速度是人工分割的271 倍[7]。除此之外，近年新興的基于深度學習的重建（DLR）可以減少CCTA 中的噪聲，提高圖像的質量，但不能改變圖像的空間分辨率，而Fuminari 等[8]開發了一種用于常規CT 圖像的超分辨率DLR（SRˉDLR），可以提高圖像的空間分辨率。

2.1.2 輔助各種疾病的診斷

（1）冠狀動脈鈣化。冠狀動脈鈣化量（CAC）作為心血管疾病因素之一在心臟鈣化評分CT（CSCT）被量化。Wolterink 等[9]提出在CCTA 中自動定量CAC 的方法。該方法使用監督學習直接識別并同時進行量化。

（2）冠狀動脈斑塊。冠狀動脈斑塊的性質對于診斷各類心血管疾病并預測其風險有重要意義。目前DL 與斑塊性質的識別相結合是AI 輔助診斷該疾病的重要研究熱點，Gessert 等[10]利用多年的診斷數據同DL 相結合，直接從圖像中學習各種斑塊的分類，在靈敏度和準確度方面已達到資深影像醫生的水準。Zhao 等[8]研究了深度學習的AI 診斷系統對各種斑塊的檢測效率的差異，發現診斷效率與斑塊類型息息相關，識別鈣化斑塊和混合斑塊效果優于非鈣化斑塊。

（3）冠狀動脈狹窄。判定冠狀動脈狹窄的程度對于冠狀動脈粥樣硬化的患者有重要意義。血流儲備分數（FFR）是判斷冠狀動脈生理狀態的金標準[11]，不過FFR是有創性檢查方法，臨床運用大大受限。Robin[8]等研究發現基于機器學習的CCTA 衍生的FFR（CTˉFFR）可以一站式提供狹窄的解剖學和功能學信息，該方法因無創而前景廣闊。同時Verena 等[8]發現一種基于CCTA 的全自動人工智能檢測軟件，用于冠狀動脈疾病報告和數據系統（CADˉRADS），可以自動進行冠脈狹窄的評估，有很高的準確度。

2.1.3 輔助預測心血管疾病的預后評估及風險評估

目前，很多研究利用ML 算法構建各種疾病的結局預測模型，Bauer 等[8]發現相較于傳統的風險評估方法，AI 有更好的特征篩選及融合作用，相較人工預測有更好的可信度，更能準確地預測心臟主要不良事件，近期發現若是將時間-事件分析引入整合臨床和CCTA 預測因子的機器學習模型，可提高個性化風險預測的精準度。

2.2 AIˉMRI

MRI 是利用氫原子核在靜磁場中進動產生信號，用計算機收集重建處理信號，得到圖像的一項先進技術，MRI 心臟成像實現了為無心臟搭橋的患者進行無輻射成像，Andrew 和他的團隊通過對比了AI 和人工的診斷結果發現AI 的表現優于人工[8]，由于MRI 比較復雜且耗時耗力，引入AI 進行輔助診斷有明顯臨床價值。

AI 將磁共振得到的心臟圖像進行分割，使病變區域更加精確。例如，Bai 等[12]使用了4875 個受試者所成像出來的93500 個標記的MRI 圖像，應用AI 技術對其進行分割，以達到精確病灶結構和病灶具體位置的作用，其精確程度與MRI 專家相當。

AI 在MRI 心臟檢查中起到預測和預后的作用，進行完機器學習的AI，其數據中有大量疾病前期的表現和發展方向，AI 會讀取計算機中有關患者疾病的信息，在大數據中進行篩查，發現疾病的發展趨勢，幫助醫生在第一時間對其進行防范，在高風險的病人早期干預中AI 的作用不可忽視。此外，在疾病的預后方面AI 提供的趨勢也能作為醫生的參考，讓醫生能迅速對疾病做出反應，但是由于AI 的發展并不完善且大數據不能保證對每一種疾病都有記錄，疾病的發展和預后也會有其他突發狀況產生，所以目前AI 只能起到輔助作用而無法起到決定性作用。

2.3 AI-超聲

目前人工智能應用于超聲心動圖的圖像采集和重建、圖像分類、心室分割和報告生成，研究方向主要聚焦在圖像分類和心臟分割。超聲圖像采集是一項很復雜的技術，有研究報道只要在圖像采集系統輸入患者的基本信息，人工智能就可以幫助操作者獲得臨床醫生所需要的圖像，這項技術的發展極大地縮短了圖像采集時間。Knamis 等[13]采用一種新的機器算法將心臟的尖端雙腔、四腔和長軸圖像進行分類，其正確率分別為97%、91%和97%。左心室一直是多數人工智能分割研究的焦點，有研究證實，應用全卷積神經網絡可以精準地分割左心室。Tamborini 等[14]研究表示在某些特殊情況下（如先天性小心腔室疾病），人工智能不能準確識別出左心室心肌，也就意味著不能很好地完成心室分割。隨著影像訓練量的不斷增加，AI 對心室分割的準確度會越來越高，在不久的將來這項技術有望為心血管疾病的診斷帶來極大的便利。Genovese 等[15]采用AI-超聲心動圖全自動測量右心室大小、體積和射血分數，結果顯示可以定量分析所有病人的右心室，但大多數還需要進行心內膜輪廓編輯才可以進行精確的診斷。Ouyang 等[16]通過一種特殊的新型算法分割左心室、估計射血分數和識別心肌病，該方法效率高并且可重復利用。心臟超聲主要通過計算射血分數來評價心臟功能，將來可能會對射血分數的自動化計算及超聲心動圖參數快速檢測等方面進行研究[17]。基于人工智能的心臟超聲影像檢查方法目前還存在一定的瑕疵，如在測定右心室大小和功能量化方面。但在不久的將來基于AI 的超聲心動圖技術會越來越高效、便利。輔助診斷更多的疾病，有望減輕醫師的負擔，緩解醫療資源緊張的狀況[18]。

2.4 AIˉSPECT

AI 在單光子發射計算機斷層成像（singlephoton emission omputed tomography, SPECT）中主要應用于心肌灌注顯像（MPI），檢測識別心臟圖像并提取出關鍵特征，評估心肌灌注影像，篩查出呈現心肌缺血的圖像。AI 可區分正常和異常的SPECT 心肌灌注圖像，相較于人工視覺對圖像評分，使用全卷積神經網絡對左心室心肌進行分割和測量，圖像的精準分割提高了評估左心室功能的準確度，進一步增強其診斷心肌缺血的能力。對于心血管疾病的預測，標準定量和專家評估的方法存在一定的誤差，將機器學習用于預測SPECT 顯像后血管重建，增加了每條血管和患者預測的敏感度，提高了診斷的準確率。Alonso 等研發了機器學習的模型結合SPECT 心肌灌注圖像的數據來預測患者危險程度，表明了在心臟灌注成像中AI 的應用可以指導醫師對病患進行早期干預。一些學者開展心肌灌注不足對于阻塞性冠狀動脈疾病的預測的研究。Betancur 等通過對AI 的訓練和驗證，顯示DL 不僅提高了預測CAD 病人的心血管不良事件的準確度，且表現出更好的預測患者疾病的潛能。隨著AI 算法的不斷發展，SPECT 在診斷和預測心臟疾病中將有更大的潛能。

3 AI 在應用中的不足與完善

將AI 應用于影像診斷被認為是未來智能醫學發展的組成部分。但仍有許多問題亟待解決：①數據質量與數據標注，人工智能是以醫療大數據為基礎，以監督學習為主要學習方式，因此最終結果的準確與否與數據質量以及數據標注密切相關。②小樣本學習，當AI 在樣本量較小的數據集上訓練時，會存在過擬合風險，最后會導致其他數據集部署到該模型時通用性較差。③“黑匣子”問題，由于對算法的內在邏輯認識還不十分清楚，因此在用AI 模型對數據進行處理的過程是人難以理解的，具有不可解釋性，是醫生和患者都難以接受的。

綜上所述，AI 要完全應用于臨床，應做出以下3 個方面的努力：①提高醫療數據的標準化，可以避免因算法不同，機器不同而造成的測量誤差。②建立和發展無縫數據庫，可以為AI 模型提供高質量數據。③促進AI與臨床醫師結合，更好地滿足臨床需要，緩解醫療人力資源緊張的狀況，為實現精準醫療奠定基礎。

盡管AI 在心血管疾病影像領域的研究與應用仍處于初級階段，但已表現出巨大的潛力，未來AI 有望拓展在該領域中的應用。隨著數字化醫療大數據時代的到來，AI 機會與挑戰并存，前景廣闊。