深度學習在冠狀動脈內光學相干斷層成像的研究進展

哈力木拉提·買買提 艾克力亞爾·艾尼瓦爾 凱賽爾江·卡地爾劉鵬飛 秦練 馬翔

冠心病是目前全球范圍內死亡率最高的疾病之一［1］。隨著人口老齡化的趨勢中國居民冠心病患者數在持續增加［2］。冠心病的高患病率使其診斷顯得尤為重要，如今冠心病的影像學診斷成為了熱點，并在過去20年迎來了突飛猛進的發展。其中冠狀動脈造影（coronary arteriography，CAG）被視為診斷冠狀動脈病變、判斷狹窄程度和介入適應證的“金標準”，但僅通過CAG觀察容易發生病變信息遺漏從而低估病變。血管內光學相干斷層成像（optical coherence tomography，OCT）是近年來發展較快的腔內影像學技術，對預測主要不良心血管事件具有重要意義［3］。但在臨床應用中OCT獲取的圖像需醫師親自判讀，此流程不可避免地受到醫師的主觀性以及醫師臨床經驗的差異性影響。近年來，深度學習在醫學影像中扮演著越來越重要的角色，其圖像處理和識別的能力在研究中得到了充分認可［4］。尤其在識別斑塊特征并對其分類的過程中，深度學習的應用可以更客觀地給予結果。本文以OCT、深度學習、OCT與深度學習相結合在冠狀動脈管腔分層、病變識別、斑塊分類以及經皮冠狀動脈介入治療（percutaneous coronary intervention，PCI）中的研究作一總結。

1 OCT

OCT是一種基于導管的冠狀動脈內成像方法，與血管內超聲（intravascular ultrasound，IVUS）相比OCT有許多優勢，OCT具有10～20 μm的高分辨率，約為IVUS的10倍［5］。OCT采用光學相干成像原理，通過利用近紅外光在血管組織的穿透性對管腔內的微米級結構進行探測成像［6］（圖1A）。與傳統的CAG相比，OCT可通過圖像反饋使術者準確鑒別病變的高危特征，例如薄纖維帽、膽固醇晶體、脂質弧等［7］。在OCT圖像中可鑒別冠狀動脈的內膜、中膜、外膜、外彈力膜和內彈力膜［8］，對血管的分層可以幫助術者準確識別斑塊的不同組織特征，包括脂質斑塊、鈣化斑塊和纖維斑塊［9］（圖1B～D）。同時冠狀動脈夾層患者在OCT圖像中也有良好的反饋（圖1E）。在PCI中OCT也可以及時反饋支架的貼壁情況（圖1F）。基于高分辨率和良好的對比度，OCT在介入治療術前病變性質、病變分析和介入手術后的效果評價方面成為了醫師更得力的工具。

圖1 光學相干斷層成像圖像 A.冠狀動脈正常管腔；B.脂質斑塊；C.鈣化斑塊；D.纖維斑塊；E.冠狀動脈夾層；F.經皮冠狀動脈介入治療術后管腔Figure 1 Optical coherence tomography image

2 深度學習概述

深度學習概念起源于人工神經網絡的研究，在20世紀70年代被弗倫斯·馬頓（Ference Marton）和羅杰·薩爾喬（Roger Saljo）正式提出《國外深度學習研究評析》，掀起了人工神經網絡研究的新浪潮。如今深度學習已經成為互聯網大數據和人工智能領域的研究熱點。深度學習是一類以多層神經網絡為特征的機器學習算法，能夠自動提取數據特征，來組建分析學習的神經網絡，并且進行數據分析。深度學習是通過學習數據的內在規律及獲得的目標的信息，在圖像和聲音等數據的分析中有極大的幫助。深度學習在文本識別、視覺目標識別、目標檢測等方面帶來了最先進的改進［10］，可以使用多層神經網絡來解決問題。深度學習與傳統機器學習技術相比，深度學習中一般會有多個隱藏層，首先需要把識別的圖像分成多個像素點，每一個像素點都代表一個神經元，把所有的像素排成一排就可以作為第一層神經網絡也就是第一個輸入層，用于產生第一個隱藏層。一般來說第一個隱藏層用于識別圖形的輪廓，然后將第一個隱藏層作為第二個隱藏層的輸入層，隱藏層第二層可以得到比第一層更詳細的圖像和內容，同理最后由多個隱藏層可以識別圖像更加詳細的圖片。在醫學領域一般的圖片由上萬個像素點組成，不可能對單個像素進行手工計算，深度學習的出現讓不可能變成了可能。深度學習最終目標是讓機器能夠像人一樣具有分析學習能力。深度學習是一個復雜的機器學習算法，根據是否存在訓練數據集，深度學習可大致分為監督學習、無監督學習和半監督學習。在監督學習中，所有的訓練圖像都有標簽，模型通過對圖像標簽進行優化。在語言和圖像識別方面取得的效果，遠遠超過先前相關技術，使得人工智能相關技術取得了很大進步。通過總結發現在OCT領域卷積神經網絡（convolutional neural networks，CNN）和U-NET模型被廣泛使用。CNN被用于各種冠狀動脈組織的分類，從建立模型到訓練模型，CNN都可以有效地進行。U-NET在解碼階段采用逐級上采樣的方式恢復至輸入圖像的尺寸，其網絡呈現為“U”型，并將特征圖像的求和操作轉換為拼接操作，U-NET更加適合于醫學圖像的分割。如今深度學習在醫學影像學中開始普及，在CT、心臟磁共振成像（magnetic resonance imaging，MRI）、單光子發射計算機斷層掃描（single photon emission computed tomography，SPECT）、超聲心動圖中的應用已經被認可［11-13］。同時深度學習已經滲透到生物醫學圖像分類的各種應用中［14-16］，也充分展現了其在圖像識別中的優勢。

3 深度學習在OCT 中的冠狀動脈管腔分層研究

OCT的高分辨率有助于對冠狀動脈的內膜、中膜和外膜進行分類［17］。對冠狀動脈的結構分析，首先需要對血管進行分層，同時對斑塊的分析也需要勾勒出這些層次。因此冠狀動脈內膜、中膜和外膜的分類對分析管腔非常重要。此外，內膜增厚以及中膜消失使分類變得尤為復雜［18］。深度學習可以通過對這些圖像進行識別并分層，讓分類更加準確。近期一項研究提出一種基于動態規劃的輪廓分割方法來定位冠狀動脈OCT圖像中內膜、中膜和外膜的輪廓，該研究通過提取一條唯一且全局最優的多參數路徑來描述圖像的二維輪廓線，然后運用深度學習算法對管腔進行分割并得到輪廓來識別健康區域和患病區域［19］。該研究對于不同層面的分割，如內膜-中膜、中膜-外膜和外膜-外膜周圍組織等，展示了深度學習都優于人工。在另一項研究中Guha Roy等［20］提出了一種更高效、可靠的用于管腔分割和隨機游動圖像分割的算法，該算法將問題建模為基于圖形的分割方法，并使用OCT中組織-光子相互作用來創建模型，有助于提高模型的準確性。此方法與前者比較擁有較高的分割精度，并證實了該方法能夠在存在壞死池的情況下更加準確地分割管腔。Ughi等［21］提出了一種全自動分析支架在冠狀動脈中的對位和覆蓋的算法，并可以自動檢測和分割血管管腔，但由于血液是光學致密組織，血管內的血液降低了分層的精確度，該算法與手動測量之間的一致性通過回歸分析和Bland-Altman分析表明，在評估支架貼壁和覆蓋情況方面與手動測量達成了一致，具有很高的相關性和一致性。Abdolmanafi等［18］近期開展了一項研究，使用深度學習方法來表征冠狀動脈層并識別內膜和中膜邊界，比較了3種不同的分類器支持向量機、隨機森林（random forest，RF）、CNN的性能，其中RF在此研究分類中是最好的選擇，CNN在特征提取中是最好的選擇。這些研究同時表明了深度學習在OCT圖像冠狀動脈的分割中具有良好表現。

4 深度學習在OCT 中的病變識別研究

冠狀動脈壁內的動脈粥樣硬化斑塊沉積會導致動脈狹窄和不良事件發生。識別這些動脈粥樣硬化斑塊成分對于預測心血管疾病的風險并進行危險分層是至關重要的，管腔的分割提高了管腔健康區域和病變區域識別和診斷準確率。在管腔分割基礎上Avital等［22］提出一種深度學習算法，能夠自動、準確地識別OCT圖像上的冠狀動脈鈣化。該研究將圖片分為像素大小為（400，400，3）的三維張量的RGB顏色的三個層。每一幀創建了一個蒙版來表示鈣化區域，該區域由0和1的數字組成，其中1表示有鈣化的像素，而0表示沒有鈣化的像素。并將模型預測結果與人工標注結果進行了比較，通過改進的算法U-NET3+來進行訓練及驗證， 精確度達99.03%。該研究顯示約有90%的情況下，專家認為模型對鈣化的預測是正確的，甚至在某些情況下，模型的結果比手動標注更準確。Macedo等［23］提出了一種基于精確分割典型OCT圖像并自動檢測OCT圖像中的分叉病變的方法。該方法分為管腔內檢測、特征提取和使用最小二乘方法進行分類，其有助于改進冠狀動脈粥樣硬化斑塊的量化。以上研究表明深度學習的出現以及在臨床的應用很大程度提高了病變診斷、識別以及分類效率。

5 深度學習在OCT 中的斑塊分類研究

識別高危斑塊并進行積極的干預有助于減少未來心血管事件的發生［24］。冠狀動脈病變可分為三種不同的斑塊，即纖維斑塊、鈣化斑塊和動脈粥樣硬化斑塊，結合光學后向散射系數和衰減系數的測量可增強這些斑塊之間的區別［25］。對這些類型的區分很大程度地影響了患者的治療及預后。Ughi等［26］提出了一種用于OCT動脈粥樣硬化組織的自動化分類的算法，該方法是根據紋理特征結合光學衰減系數的估計值對圖像像素進行監督分類。通過將自動分析結果與動脈粥樣硬化斑塊的手動評估進行比較來獲得驗證較高的準確率。在另一項研究中Abdolmanafi等［27］提出了一個帶有擴張卷積的編解碼器的深度學習模型算法，在實驗中用于識別任何動脈粥樣硬化組織。該研究針對特征重建和動脈粥樣硬化組織類型分類，研發了針對血管深層組織特征的自動編碼器。該研究提出的動脈粥樣硬化組織表征模型與人工相比，能夠更準確地識別和表征各種動脈粥樣硬化組織類型，減少了主觀操作者依賴性，能夠快速、準確地分析原始圖像，無需進行繁瑣的預處理步驟，從而提高了診斷的準確性和一致性。Rico-Jimenez等［28］報道提出使用A線建模方法來表征斑塊，首先識別內膜增厚，然后利用線性判別分析將組織層進一步分層為纖維斑塊和脂質斑塊，這項研究是通過組織學進行評估。然而血液偽影會對該方法的結果產生影響。Shibutani等［29］利用深度學習對OCT圖像中的冠狀動脈斑塊進行語義分割并對動脈粥樣硬化斑塊類型進行分類。使用訓練和驗證數據集開發了模型，并使用測試數據集進行了評估。結果顯示，測試數據集的平均F分數和并集交點值分別為0.66和0.52。研究還比較了深度學習模型與人工觀察者的診斷準確性，深度學習模型的整體一致性率為75%（κ值=0.65），而人工觀察者為77%（κ值=0.67）。深度學習模型的受試者工作特征曲線下面積值分別為纖維鈣化斑塊0.91，病理內膜增厚0.85，纖維帽粥樣斑塊0.86，愈合的侵蝕破裂0.86，與人工觀察者的結果相當。此外，受試者工作特征分析評估了深度學習模型的截面級診斷準確性。在116個OCT圖像中，有18個被深度學習模型準確解釋但被人工忽略，并評估了組織學診斷與模型結果之間的一致性。不過，該研究也強調了一些局限性，需要在大型前瞻性隊列中進一步驗證。Di Vito等［30］提出了一種利用組織層特征，對巨噬細胞進行量化的方法。巨噬細胞作為斑塊組織中炎癥因子的主要來源，在硬化斑塊的進展過程中發揮了關鍵作用，所以其定量對于評估與冠心病相關的風險很重要。該研究對組織學進行了驗證，表明巨噬細胞在炎癥區域更突出。通過此方法，發現炎性區域的敏感度100%，特異度96.8%。以上研究表明，深度學習在醫學圖像的分類及數據收集評估都有著一定的優勢，為冠狀動脈斑塊分類提供了更具可靠性的方法。

6 深度學習在OCT 指導下的介入策略

PCI是治療冠狀動脈疾病最有效的方法之一。指南建議介入心臟病學醫師首先要正確識別和評估斑塊，盡量用IVUS/OCT評價鈣化病變［31］。在OCT等血管醫學成像中，有效地觀察支架在血管中的位置至關重要［32］。OCT能更清晰準確地識別支架小梁，提高了急性支架貼壁不良事件的檢出率［33］。在Ilumien Ⅲ隨機對照試驗［34］中，對于非復雜病變的患者，OCT特異性支架尺寸和優化策略是安全的，并且在PCI術后管腔尺寸方面不低于IVUS和CAG指導。此外，與CAG相比OCT在實現更大的支架擴張方面具有優勢。該團隊進行的Ilumien Ⅳ試驗［35］得出在OCT引導下的PCI可以獲得更大的最小支架面積，而IVUS和CAG指導的兩種方法在2年內的主要臨床終點（包括心原性死亡、靶血管心肌梗死或缺血驅動的靶血管再血管化）方面比較，差異無統計學意義。此外，OCT引導下的PCI在術中并發癥和支架內血栓形成方面似乎較血管造影引導下的PCI更少。深度學習與OCT的聯合應用降低了判斷OCT圖像所花費的時間并減少了支架貼壁不良等事件。Jiang等［36］嘗試使用YOLOv3和R-FCN兩種深度學習的方法進行建模自動檢測金屬支架支柱。這兩種算法的精確度達到了95%以上，并且R-FCN在所有相關指標上的表現都優于YOLOv3，精確度達到99.3%以上。Lu等［37］一項研究應用了OCTivat-Stent的高度自動化軟件，用于在OCT中進行支架分析，通過自動化算法確定每個支架的組織覆蓋情況，并估計支架輪廓，以便比較支架和血管腔面積。研究表明，使用這種高度自動化軟件進行分析可以減少觀察者之間的變異性，縮短全面支架分析的時間，使用OCTivat-Stent軟件進行支架分析與手動分析相比，具有更高的一致性。在人工使用軟件輔助的情況下，覆蓋與未覆蓋的分類結果顯示出明顯的改善，具體體現在特異度、敏感度和準確度上，Cohen’s Kappa系數，從（0.47±0.05）提高到（0.77±0.03），這是一個顯著的改善，表明使用軟件后的一致性較高。開發計算機化的支架分析解決方案對于減少時間和勞動成本，提高支架分析的客觀性和可重復性至關重要。

7 問題與展望

深度學習技術在醫學領域的應用推動了醫療水平的進步，尤其在OCT方面展現出了優越的性能，與人工相比有以下優勢：（1）提高了圖像分析的效率；（2）能夠更準確地識別和表征各種動脈粥樣硬化組織類型，從而提高了診斷的準確性和一致性；（3）人工智能在提高一致性、效率和減少變異性方面具有明顯優勢，與人工相比具有更多的潛力和優勢。作為一項冠狀動脈的輔助檢查技術，深度學習在冠心病的診斷和治療中具有重要意義。然而，盡管深度學習在臨床應用中前景廣闊，但也存在一些不足之處。（1）深度學習技術的透明性無法保證，可能導致不可避免的誤診，從而引發醫療事故責任的問題，這成為深度學習進展的一大障礙；（2）深度學習在冠狀動脈OCT中的結果無法及時提供給醫師進行下一步操作，這對臨床實踐帶來一定的限制。為了克服這些問題，可以通過采用新的技術手段來提高深度學習的透明性，例如應用解釋性人工智能（Explainable AI），使醫師能夠理解和解釋深度學習的決策過程。此外，與軟件的連接可以實現深度學習結果的實時反饋，幫助醫師進行決策和操作。另外，應用5G技術可以實現遠程OCT解讀，為更多冠心病患者提供幫助。總之，盡管深度學習在臨床應用中存在一些挑戰和不足，但相信深度學習具有巨大的發展潛力，并將在未來冠心病的診斷和治療中為人類帶來福音。

利益沖突 所有作者均聲明不存在利益沖突