人工智能在肺血管疾病診治中的研究進展

王一佳 黃志華 高璐陽 趙智慧 趙青 羅勤 柳志紅

(中國醫(yī)學科學院 北京協(xié)和醫(yī)學院 國家心血管病中心 阜外醫(yī)院,北京 100037)

肺血管疾病(pulmonary vascular disease,PVD)是指由多種因素和/或疾病造成的肺循環(huán)(肺動脈、肺靜脈和肺毛細血管)結(jié)構和/或功能的改變,最終可進展為右心衰竭。PVD主要包括肺動脈高壓(pulmonary hypertension,PH)和肺栓塞(pulmonary embolism,PE),其發(fā)病率和死亡率較高,通常需復雜的診斷和治療干預[1]。PH患病率高,占全球總?cè)丝诘?%,起病隱匿,預后極差[2]。據(jù)估計,美國每年有15萬～25萬PE患者,30 d死亡率為2.4%～11%[3]。急性PE在心血管死亡原因中位列第3,僅次于冠心病和腦卒中?？傊?PVD負擔嚴重,病理生理學復雜,臨床表現(xiàn)多樣,進展多變,亟需早期診斷、早期治療和規(guī)范化管理。

隨著醫(yī)療信息技術的應用和持續(xù)深入發(fā)展,醫(yī)學大數(shù)據(jù)的累積和計算能力的提高促進了人工智能(artificial intelligence,AI)在醫(yī)療領域的應用和開發(fā)。AI是指機器模擬人的意識和思維,學習輸入的數(shù)據(jù)并采用多樣化的建模方式(算法)處理數(shù)據(jù)[4]。目前AI已廣泛應用于心血管疾病、肺部疾病等多個研究領域。研究[5]表明,AI作為一種輔助手段,可降低侵入性操作的頻率,同時在人群水平上降低篩查成本,在促進早期診斷、提高診斷率和預測預后方面具有極大的潛力。本綜述總結(jié)了近年來AI在PVD診治中的數(shù)據(jù)來源、數(shù)據(jù)類型及臨床應用,旨在為AI在PVD診治中的應用提供理論依據(jù),以期加速AI和PVD診治的深度融合發(fā)展。

1 AI在PVD中的數(shù)據(jù)來源

醫(yī)療信息數(shù)據(jù)可從多種渠道獲得,主要包括醫(yī)院數(shù)據(jù)庫、臨床試驗數(shù)據(jù)和患者來源數(shù)據(jù)等。這些數(shù)據(jù)可分為兩大類:結(jié)構化數(shù)據(jù)和非結(jié)構化數(shù)據(jù)。結(jié)構化數(shù)據(jù)是指以預定義格式記錄和存儲的數(shù)據(jù),如數(shù)據(jù)庫或電子表格。電子健康數(shù)據(jù)(electronic health record,EHR)、實驗室檢查結(jié)果、影像學檢查參數(shù)和臨床試驗數(shù)據(jù)等均為PVD的結(jié)構化數(shù)據(jù)[6]。這類數(shù)據(jù)被劃分成類,便于使用機器進行處理,通常更容易使用AI算法進行分析[7]。當機器學習處理結(jié)構化數(shù)據(jù)時,可對具有不同臨床特征的患者進行識別分類并預測臨床預后[8]。例如,根據(jù)特定診斷代碼或成像報告識別PVD患者,使用機器學習方法從記錄中提取相關數(shù)據(jù)訓練AI算法,以輔助診斷、判斷預后和指導個性化治療[9-10]。未以預定義格式記錄或存儲的數(shù)據(jù),如臨床病歷資料或圖像,被稱為非結(jié)構化數(shù)據(jù)。PVD診斷和管理中的非結(jié)構化數(shù)據(jù)包括放射成像、病理學結(jié)果和患者生成的數(shù)據(jù),如可穿戴設備來源數(shù)據(jù)[11]。非結(jié)構化數(shù)據(jù)多為文本信息,未劃分成類,使用AI算法分析更困難,需更先進的技術,如自然語言處理(natural language processing,NLP)算法或圖像分析提取有意義的信息[12]。NLP將非結(jié)構化數(shù)據(jù)的文本信息轉(zhuǎn)換為機器可讀的結(jié)構化數(shù)據(jù)后,可進一步使用機器學習技術分析識別與PVD相關的特征或風險因素[13]。

通常,AI算法可通過整合結(jié)構化和非結(jié)構化數(shù)據(jù)得到增強。一項關于非瓣膜性心房顫動的研究[14]建議使用AI算法將基于自由文本信息的NLP與結(jié)構化EHR相結(jié)合,以提高數(shù)據(jù)的完整性。事實證明,這種方法可降低腦卒中和死亡風險。整合結(jié)構化和非結(jié)構化數(shù)據(jù)的AI算法開發(fā)將在管理PVD患者、改善其生存和預后方面發(fā)揮關鍵作用。盡管AI算法通常更容易分析結(jié)構化數(shù)據(jù),但非結(jié)構化數(shù)據(jù)提供了額外有價值的信息,可幫助診斷、評估預后和確定治療方案。

2 AI在PVD中的數(shù)據(jù)類型

2.1 醫(yī)學成像技術

在PVD的診治過程中,傳統(tǒng)的醫(yī)學成像技術主要包括胸部X線攝影、計算機斷層掃描(computed tomography,CT)、磁共振成像、超聲心動圖、通氣/灌注掃描和正電子發(fā)射斷層成像等,但這些技術在準確性、可用性和成本效益方面均存在局限性[15]。將傳統(tǒng)醫(yī)學成像技術與AI技術相結(jié)合,可大大提高疾病篩查的效率與準確性。深度學習是一種機器學習的分支,它模仿人腦神經(jīng)網(wǎng)絡的結(jié)構和功能,通過多層次的神經(jīng)網(wǎng)絡學習和解決復雜的問題,可自動地從原始數(shù)據(jù)中提取和學習特征。定量CT(quantitative CT,QCT)是一種無創(chuàng)、可重復性強的三維影像技術,可運用深度學習的技術較為精準地從標準化成像數(shù)據(jù)中提取定量數(shù)據(jù)[16]。研究[17-18]表明與普通胸部CT相比,QCT提供了PH患者的可重復數(shù)據(jù)和疾病嚴重程度的定量數(shù)值。Fortmeier等[19]發(fā)現(xiàn)重度三尖瓣反流患者的超聲心動圖會低估平均肺動脈壓,然而將9個超聲心動圖參數(shù)作為輸入變量訓練極限梯度提升(extreme gradient boosting,XGBoost)算法,可有效預測重度三尖瓣反流患者的平均肺動脈壓水平,且能預測經(jīng)導管三尖瓣置換術后的死亡風險。卷積神經(jīng)元網(wǎng)絡(convolutional neuron network,CNN)是深度學習的重要模型之一,主要用于圖像識別和分析[20]。肺動靜脈病變的分類對于評估PE至關重要,肺動脈血管樹的變化在慢性血栓栓塞性肺動脈高壓(chronic thrombo-embolic pulmonary hypertension,CTEPH)的發(fā)病中起至關重要的作用[21-22]。采用基于胸部CT的三維-CNN算法,可熟練地對動靜脈血管樹進行分類,從而建立組合圖形切割優(yōu)化結(jié)果[23]。

2.2 EHR

EHR是PVD中AI應用的重要數(shù)據(jù)類型,包含患者基本信息、臨床表現(xiàn)、病史、實驗室檢查結(jié)果和藥物使用情況等[24]。EHR可提供重要的流行病學數(shù)據(jù),用于追蹤PVD的進展,評估大流行病對PVD的影響,以改進篩查方法[25]。一項基于EHR的研究[26]表明,在新型冠狀病毒肺炎(COVID-19)大流行期間進行的CT肺血管造影(computed tomography pulmonary angiography,CTPA)頻率降低,診斷為COVID-19和PE的個體30 d死亡風險顯著高于無COVID-19的個體。基于醫(yī)療索賠數(shù)據(jù)的隊列研究中,Schuler等[27]使用ICD-9/10編碼、CPT編碼或動脈型肺動脈高壓(arterial pulmonary hypertension,PAH)藥物來篩選EHR中可能患有PAH的病例。194例PAH和786例“非PAH”用于訓練和測試初始的機器學習算法(machine learning algorithms,MLA)。在測試集中,以PAH靶向藥物使用時間和強度以及右心導管的CPT編碼為特征的MLA具有較強的預測特征,可從EHR數(shù)據(jù)庫中識別出265例未確診的疑似PAH病例,這些病例表現(xiàn)出典型的PAH人口統(tǒng)計學、合并癥和血流動力學特征。研究表明NLP有助于識別EHR中的PE患者。使用EHR提高了PE患者進行有效觀察研究或隨機試驗的可靠性,從而促進了PE的監(jiān)測管理和預防[28-29],有助于根據(jù)特定風險特征精準決策,制定個體化的治療方案。

2.3 基因組數(shù)據(jù)

基因組數(shù)據(jù)是另一種越來越多地被用于PVD研究的數(shù)據(jù)類型[30]?；驒z測可發(fā)現(xiàn)引起PVD風險升高的特定基因變異,或疾病的特定亞型,如PAH[31]。分子診斷的重點是確定潛在的致病基因,并建立其與預期表型之間的關系。由于人力的缺乏和傳統(tǒng)算法技術的不足,AI算法在促進基因診斷中從表型到基因型的映射方面不可或缺[32]。然而,由于遺傳和非遺傳因素之間因果關系復雜,通過AI進行基因型-表型映射具有挑戰(zhàn)性[33]。在臨床基因組學中,深度學習用于分析廣泛而復雜的基因組數(shù)據(jù)集[34]。各種AI算法擅長處理不同類型的基因組信息。例如,計算機視覺可識別醫(yī)學圖像(包括病理學圖片)中的表型特征,能從圖像到基因進行診斷,并為分子檢測提出合理的建議。AI時間序列算法在識別大規(guī)模調(diào)控元件、基因剪接和基因功能的功能性DNA序列元件方面高度有效[35-36]。

3 AI在PVD中的臨床應用

表1總結(jié)了近年來AI在PVD診斷和治療管理等方面的應用。AI算法可分析CT、磁共振成像和超聲心動圖等各種模式的圖像,從而識別與PVD相關的特征。此外,AI還能縮短圖像解讀時間,自動化測量肺動脈或右心房面積大小等。

表1 AI在PVD中的臨床應用

3.1 AI在PE中的臨床應用

在1993年,馬薩諸塞州總醫(yī)院核醫(yī)學科在通氣/灌注掃描中建立了人工神經(jīng)網(wǎng)絡模型判讀圖像并報告,結(jié)果發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡在診斷PE方面優(yōu)于核醫(yī)學科醫(yī)師[41]。在一項回顧性研究[42]中,研究者運用AI算法(視覺分類+自然語言處理技術)分析了11 913例胸、腹、盆腔CT檢查結(jié)果(包括圖像和文本信息),共識別出79例偶發(fā)肺栓塞(incidental PE,iPE)和49例被漏診的PE。PE患者通常以急性胸痛為主要癥狀,需與急性冠脈綜合征、主動脈夾層等進行準確鑒別診斷。為解決這一問題,Kolossváry等[43]開發(fā)了一種深度學習算法,將入院胸片結(jié)合年齡、性別、心肌損傷標志物和D-二聚體水平,改善患者分流。Batra等[44]在連續(xù)2 555個未報告PE的CTPA報告中,使用AI工具和人工判讀,比較二者發(fā)現(xiàn)iPE的有效性。結(jié)果發(fā)現(xiàn),AI工具和人工判讀的陽性預測值分別為86.8%和97.3%,陰性預測值分別為99.8%和99.9%。AI工具的潛在應用能幫助檢測出更多的iPE,或可作為分流工具以便更早診斷和干預iPE。Tian等[29]收集加拿大5個醫(yī)學中心的影像學報告,將最大的單中心數(shù)據(jù)作為訓練集(n=2 788),用其他4家中心的數(shù)據(jù)進行驗證(n=1 212)。結(jié)果發(fā)現(xiàn),基于NLP診斷PE和深靜脈血栓形成的靈敏度為94%,特異度為96%,陽性預測值為73%～80%。NLP可對CTPA報告進行自動、高度準確的回顧性分類。此外,AI在明確PE患者的血栓負荷方面也有一定的價值。Liu等[45]發(fā)現(xiàn),基于深度學習算法的CNN計算CTPA上的急性PE血栓負荷與Qanadli評分、Mastora評分和CTPA上的右心室功能參數(shù)顯著相關,有助于減少臨床醫(yī)生的工作量。

3.2 AI在PH中的臨床應用

PH患者通常需多次復查影像檢查,監(jiān)測治療效果。AI技術可訓練深度學習算法識別PH相關的特征或特定征象,避免了重復報告,極大地提高了效率。Zhang等[37]構建了一種機器學習模型,可從CTPA圖像中自動提取肺動脈和心臟形態(tài)特征,隨后評估肺動脈壓參數(shù),以區(qū)分不同類別的PH,該模型對PAH診斷的AUC值略高于傳統(tǒng)心臟磁共振模式[39]。此外,AI還可用于分析電子病歷,以確定與PVD相關的特定風險因素或合并癥,從而幫助制定診療方案。Kogan等[38]建立的PH預測模型納入電子病歷數(shù)據(jù)庫中的165個預測特征,包括心力衰竭、呼吸急促和心房顫動。該模型在PAH和CTEPH亞組患者中表現(xiàn)出良好的可行性和性能。此外,將AI與蛋白質(zhì)組學相結(jié)合可促進對PH的及時識別。Bauer等[40]利用MLA對蛋白質(zhì)組學進行分析,確定了一組包括膠原蛋白Ⅳ、內(nèi)生長抑素和胰島素樣生長因子結(jié)合蛋白-2等在內(nèi)的8種蛋白質(zhì)構成的新算法,可提高系統(tǒng)性硬化患者PAH的早期診斷,為疾病的發(fā)病機制提供重要的研究思路。

4 前景與展望

隨著醫(yī)療信息技術時代的到來,AI在PVD中的應用具有巨大潛力。與此同時,PVD本身的復雜性、多樣性更為AI技術創(chuàng)造了大量的應用需求。AI可有效分析各種類型的數(shù)據(jù),包括醫(yī)學影像、基因組數(shù)據(jù)和電子病歷,從而提高PVD治療的精確性、有效性和個體化水平。然而,AI模型的可解釋性和倫理相關問題需引起重視。未來的研究應側(cè)重于開發(fā)可解釋性更強、更透明的AI算法,以提高臨床醫(yī)生的信任度和接受度。此外,還需進行大規(guī)模的驗證研究,以評估AI算法在臨床實踐中的有效性和可推廣性。