李睿，趙世華

人工智能(artificial intelligence，AI)泛指用于模擬人類智慧的方法、技術(shù)及應(yīng)用的一門技術(shù)學(xué)科，其應(yīng)用目前已逐漸地從自動駕駛、人臉識別、文本處理等傳統(tǒng)領(lǐng)域滲透到醫(yī)學(xué)等專業(yè)領(lǐng)域。人工智能的引入對醫(yī)學(xué)特別是醫(yī)學(xué)影像學(xué)意義重大，斯坦福大學(xué)與Google公司先后公布了醫(yī)學(xué)領(lǐng)域的里程碑式研究成果，發(fā)現(xiàn)人工智能對皮膚癌的診斷以及糖尿病視網(wǎng)膜病變和相關(guān)眼病的識別有極高的精準(zhǔn)度[1-2]。在心血管影像領(lǐng)域，得益于掃描技術(shù)的迅速發(fā)展并由此產(chǎn)生的大量影像數(shù)據(jù)，人工智能的研究飛速發(fā)展[3]。有了醫(yī)療人工智能的幫助，可提高醫(yī)師診斷效率及診斷精度，緩解醫(yī)療人力資源緊張狀況。進(jìn)一步結(jié)合基因和病理信息能夠更加有針對性實施精準(zhǔn)醫(yī)療[4]。筆者將人工智能在心血管影像方面的應(yīng)用與發(fā)展的初概進(jìn)行綜述。

1 人工智能的要素及其分類

人工智能主要包括如下三個要素：數(shù)據(jù)、算法及計算力。數(shù)據(jù)是人工智能的第一要素，也是人工智能的基石。醫(yī)院的絕大部分的數(shù)字化數(shù)據(jù)都為醫(yī)學(xué)影像數(shù)據(jù)，諸如源于CT和MRI圖像的海量數(shù)據(jù)等，給人工智能提供了巨大的支持。算法是人工智能的第二個要素，決定了人工智能的上限，沒有算法，就無法把影像圖像轉(zhuǎn)換成可供分析的數(shù)據(jù)。此外，人工智能還需要強大的物理硬件支持，即第三個要素計算力。計算力越強，越能處理更復(fù)雜的數(shù)據(jù)、更先進(jìn)的算法。一般情況下的人工智能模型是基于核心處理器(CPU)或者圖形處理器(GPU)開展的訓(xùn)練[5]。

1.1 數(shù)據(jù)

人工智能的數(shù)據(jù)可分為結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)[6]。結(jié)構(gòu)化數(shù)據(jù)一般指的是存儲在數(shù)據(jù)庫里的、可用表格結(jié)構(gòu)進(jìn)行邏輯表達(dá)的數(shù)據(jù)；而非結(jié)構(gòu)化數(shù)據(jù)就是不適合用數(shù)據(jù)庫邏輯來表達(dá)的數(shù)據(jù)。從心血管影像角度出發(fā)，結(jié)構(gòu)化數(shù)據(jù)可以是平時的各類試驗及臨床數(shù)據(jù)，如血壓、心率、實驗室指標(biāo)等，而非結(jié)構(gòu)化數(shù)據(jù)則是以DICOM格式保存的影像數(shù)據(jù)，可以是心臟磁共振(cardiac magnetic resonance，CMR)及CT斷面圖像，包括CMR電影序列動態(tài)視頻，或者是類似心電圖樣的波譜數(shù)據(jù)，或者是超聲心動圖動態(tài)視頻數(shù)據(jù)等，數(shù)據(jù)維度非常驚人且信息量極大。因此，要把非結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)化處理為可供分析的資料，需要不同的算法和超一流的計算能力。

1.2 算法

人工智能的算法多樣，目前從復(fù)雜程度可大致分為機器學(xué)習(xí)(machine learning)和深度學(xué)習(xí)(deep learning)兩類。機器學(xué)習(xí)算法根據(jù)目的大致可分為四類：分類、回歸、聚類和降維[7-10]。對于醫(yī)學(xué)數(shù)據(jù)來說，分類和回歸算法是最常見的算法，屬于監(jiān)督式學(xué)習(xí)，主要用于有明確標(biāo)簽的數(shù)據(jù)，例如疾病分類、預(yù)后判斷等有明確診斷和結(jié)局的這一類數(shù)據(jù)。這兩類算法通過已有數(shù)據(jù)集中包含的特征與標(biāo)簽進(jìn)行學(xué)習(xí)，得到一個目標(biāo)模型，將輸入映射到合適的輸出，差異在于分類算法得到的是離散值，而回歸算法得到的是連續(xù)值。聚類和降維屬于無監(jiān)督式學(xué)習(xí)，聚類主要用于無明確標(biāo)簽的數(shù)據(jù)，比如圖像的紋理、灰度等。降維主要用于數(shù)據(jù)特征預(yù)處理階段，比如對圖像特征的提取與選擇等。

深度學(xué)習(xí)按照應(yīng)用領(lǐng)域可分為圖像檢測和自然語言處理，前者在醫(yī)學(xué)領(lǐng)域應(yīng)用更廣泛[11-12]。圖像檢測領(lǐng)域的深度學(xué)習(xí)按照目的又可分為識別、分割和定位，例如左心室容積的分割、識別并從中計算射血分?jǐn)?shù)，心肌肥厚病灶的定位與識別等。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNNs)是目前醫(yī)學(xué)圖像領(lǐng)域應(yīng)用最為廣泛的深度學(xué)習(xí)模型，最早AlexNet由Hiton及其學(xué)生Alex提出，隨后大量更快速更準(zhǔn)確的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如googlenet、resnet和VGG等相繼出現(xiàn)，用以處理提取更復(fù)雜、更抽象的圖像屬性特征。

2 人工智能在心血管影像中的應(yīng)用

近年來，隨著心血管影像尤其是CMR技術(shù)的飛速發(fā)展，各類數(shù)據(jù)呈指數(shù)增長，其中蘊含的大量信息都可以通過人工智能技術(shù)加以分析利用。目前心血管影像領(lǐng)域人工智能研究尚在起步階段，而據(jù)現(xiàn)有的研究結(jié)果顯示，AI在心血管影像的一系列研究方向中，包括圖像采集重建、圖像自動分割識別、疾病識別分類及預(yù)后判斷等方面已表現(xiàn)出巨大的潛能。

2.1 減少心臟影像圖像重建時間

如何縮短心臟磁共振檢查時間一直是困擾醫(yī)工領(lǐng)域的難題。臨床常利用壓縮感知方法，從低采樣數(shù)據(jù)中精確重構(gòu)出信號，從而有效減少成像時間。而通過AI深度學(xué)習(xí)可有效減少磁共振成像時間。目前，Qin等[13]提出了一個新的遞歸卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，利用數(shù)據(jù)時間序列關(guān)系，優(yōu)化迭代算法性質(zhì)，從欠采樣K空間重建并得到高質(zhì)量心臟MRI圖像，從而大大地縮短了成像時間。該方法通過學(xué)習(xí)時間依賴和迭代來進(jìn)行有效的重建，其過程只利用極少數(shù)的參數(shù)，在重建精度和速度方面優(yōu)于當(dāng)前傳統(tǒng)的MRI重建方法。此外，Schlemper等[14]使用深度多層卷積神經(jīng)網(wǎng)絡(luò)，利用欠采樣數(shù)據(jù)，加速數(shù)據(jù)的采集過程重建二維MRI圖像，也能夠減少成像時間。在控制重建誤差及重建速度方面均優(yōu)于最先進(jìn)的二維壓縮感知方法。該模型重建每個完整的動態(tài)序列的時間少于10 s，其中每幀二維圖像的重建可以在23 ms內(nèi)完成，從而達(dá)到實時成像的要求。

2.2 準(zhǔn)確快速地進(jìn)行心血管圖像分割、計算與識別

目前臨床中常通過手動方法勾勒圖像上心內(nèi)膜壁的位置用以計算射血分?jǐn)?shù)和心肌壁運動，但該方法分割精度不足，并存在較大的組間觀察者差異。AI的引入可顯著提升心內(nèi)膜分割精度。AI通過全自動分割2D和3D電影圖像中的心內(nèi)膜，實現(xiàn)心臟影像的自動測量，同時進(jìn)行射血分?jǐn)?shù)計算和區(qū)域運動的評估。Knackstedt等[15]發(fā)現(xiàn)AI可對左心室射血分?jǐn)?shù)和平均雙平面縱向應(yīng)變(longitudinal strain，LS)進(jìn)行全自動、快速及可重復(fù)性的評估。該試驗納入了4個中心255名竇性心律的測試對象，使用視覺估計和手動追蹤評估超聲心動圖的心尖四腔和兩腔心視圖，隨后將數(shù)據(jù)集保存在集中式數(shù)據(jù)庫中，利用機器學(xué)習(xí)軟件(AutoLV，TomTec-Arena 1.2，TomTec Imaging Systems，Unterschleissheim，Germany)全自動測量射血分?jǐn)?shù)及LS。結(jié)果顯示該自動測量方法時間明顯縮短，大約只需8 s，且在98%的患者中是可行的。Avendi等[16]聯(lián)合深度學(xué)習(xí)算法及形變模型，在心臟MR短軸位圖像中全自動分割左心室。研究首先利用卷積神經(jīng)網(wǎng)絡(luò)自動探測左室腔，隨后采用整合了形變模型的棧式自編碼器勾勒左室形狀，以此提高分割的準(zhǔn)確性及穩(wěn)定性。該模型與數(shù)據(jù)庫中的左心室分割結(jié)果對比，Dice系數(shù)高達(dá)0.94。Lekadir等[17]利用深度學(xué)習(xí)自動識別超聲頸動脈超聲成像的斑塊成分。該研究使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，訓(xùn)練并驗證90 000例超聲頸動脈圖像。該模型能自動評價斑塊的脂質(zhì)核心，纖維帽以及鈣化組織的成分，結(jié)果與臨床專家評價的一致性達(dá)到0.90。此外，Wolterink等[18]利用CT冠狀動脈動脈造影自動定量評價冠狀動脈積分，該研究納入了250例同時接受了冠脈CTA及心臟鈣化積分(cardiac calcium scoring CT，CSCT)掃描的患者，采用配對卷積神經(jīng)網(wǎng)絡(luò)識別CT冠脈動脈造影鈣化積分。與CSCT結(jié)果相比，鈣化斑塊的質(zhì)量積分一致性為0.944，且83%患者的Agatston積分風(fēng)險評估一致。提示CT冠脈造影能準(zhǔn)確、定量評價鈣化斑塊積分，有望在將來減少不必要輻射劑量。

2.3 心血管疾病診斷

AI模型還可通過提取心臟影像特征實現(xiàn)疾病的診斷與鑒別診斷。Narula等[19]使用集成算法框架，嘗試從運動員生理性肥大心臟中自動識別肥厚型心肌病(hypertrophic cardiomyopathy，HCM)。該試驗納入了77例心臟生理性肥大運動員和62例HCM患者，集合了支持向量機、隨機森林和人工神經(jīng)網(wǎng)絡(luò)等三種不同的機器學(xué)習(xí)模型用以識別運動員及HCM心肌。與舒張早期-末期經(jīng)二尖瓣流速比，平均舒張早期二尖瓣環(huán)運動速度及應(yīng)變等傳統(tǒng)超聲心動圖參數(shù)相比，機器學(xué)習(xí)模型有著更高的診斷靈敏度和特異度。Sengupta等[20]納入了50例縮窄性心包炎和44例限制性心肌病患者的臨床和斑點追蹤超聲心動圖數(shù)據(jù)，采用基于聯(lián)想記憶分類器的機器學(xué)習(xí)算法模型進(jìn)行疾病的診斷，并通過10折交叉驗證評估模型診斷效能。結(jié)果發(fā)現(xiàn)僅單獨使用斑點追蹤超聲心動圖的變量，該模型的診斷AUC值即可達(dá)到89.2%；再增加額外的4個超聲心動圖變量后， AUC值提高到96.2%，明顯高于舒張早期二尖瓣環(huán)速度(82.1%)和左心室縱向應(yīng)變(63.7%)兩個傳統(tǒng)參數(shù)。在CT及CMR領(lǐng)域，Baessler等[21]利用紋理分析在常規(guī)非增強的磁共振掃描序列上識別心肌梗死。該試驗納入了120例心肌梗死患者和60名正常人，通過影像組學(xué)軟件(MaZda，version 4.6; Institute of Electronics，Technical University of Lodz，Lodz，Poland)，利用特征選擇分析方法，在CMR電影序列上進(jìn)行降維和紋理特征選擇，判斷心肌梗死情況，最后再與延遲強化序列進(jìn)行對照。模型篩選出如下五個獨立的紋理特征能區(qū)分缺血性瘢痕和正常心?。篢eta1，Perc.01，Variance，WavEnHH.s-3和S (5,5) SumEntrp。對比多個邏輯回歸模型結(jié)果后發(fā)現(xiàn)，基于Teta1和Perc.01的模型在MR電影圖像上診斷心肌梗死可達(dá)到較高的準(zhǔn)確性。Zreik等[22]利用深度學(xué)習(xí)方法自動識別患者冠脈CT血管造影(coronary computed tomography angiography，CCTA)圖像中局部心肌異常，從而推斷出支配該區(qū)域的冠狀動脈病變。該研究納入了166例同時接受了侵入性血流儲備分?jǐn)?shù)(fractional flow reserve，F(xiàn)FR)檢查及靜息狀態(tài)下CCTA掃描的患者。研究首先利用多尺度卷積神經(jīng)網(wǎng)絡(luò)對患者CCTA圖像中的左心室心肌進(jìn)行整體分割，然后將左室心肌進(jìn)一步分成許多有著空間連接關(guān)系的簇，并利用無監(jiān)督自動編碼統(tǒng)計數(shù)據(jù)計算提取每簇心肌的特征；接下來根據(jù)提取出的特征使用SVM分類器對這些心肌進(jìn)行分類，從而判斷患者是否有冠狀動脈功能性狹窄。該研究分別使用了20張CCTA圖像訓(xùn)練左室心肌的分割及左室心肌自動編碼器，結(jié)果顯示20張圖像中左室心肌分割的定量評估Dice系數(shù)平均為0.91；接下來進(jìn)行10折交叉驗證試驗，在剩余的126個CCTA掃描中進(jìn)行患者分類，其診斷的AUC值為0.74±0.02。該研究結(jié)果表明，AI在未觀察患者冠脈解剖結(jié)構(gòu)的情況下，通過靜息CCTA圖像中心肌的自動分析即可判斷冠狀動脈的功能性狹窄，將來有望減少不必要的侵入性FFR檢查。

2.4 心血管疾病預(yù)后評估及危險分層

現(xiàn)階段臨床判斷患者的遠(yuǎn)期預(yù)后大部分基于有限的臨床及影像學(xué)參數(shù)，而通過訓(xùn)練與學(xué)習(xí)，AI可同時提供更多、更復(fù)雜的變量。Motwani等[23]通過機器學(xué)習(xí)模型提高預(yù)測發(fā)生心臟事件的能力。該試驗納入了10 030例疑似冠狀動脈疾病患者臨床資料及其5年隨訪記錄，共評估了25個臨床指標(biāo)和44個CCTA參數(shù)。研究選擇信息增益排名的自動特征選擇方法提取高危因素，采用具有集成算法框架的模型構(gòu)建算法，并利用10折分層交叉驗證評估結(jié)論。與單獨的弗雷明漢風(fēng)險評分(framingham risk score，F(xiàn)RS)或CCTA嚴(yán)重性評分相比，機器學(xué)習(xí)表現(xiàn)出更準(zhǔn)確的全因死亡率預(yù)測能力。Van Rosendael等[24]利用機器學(xué)習(xí)分析源自CCTA的16段冠狀動脈樹信息，發(fā)現(xiàn)與目前的CCTA的風(fēng)險評分相比，基于機器學(xué)習(xí)算法創(chuàng)建的風(fēng)險評分有著更高的預(yù)后準(zhǔn)確性。

Dawes等[25]通過監(jiān)督式機器學(xué)習(xí)模型預(yù)測肺動脈高壓患者的遠(yuǎn)期生存率。該試驗納入了256例接受CMR檢查的肺動脈高壓患者，將CMR短軸電影圖像半自動分割為30 000個運動節(jié)點，創(chuàng)建右心室運動的三維模型，并利用右心室心肌運動幅度預(yù)測患者遠(yuǎn)期預(yù)后。在加入常規(guī)成像和血流動力學(xué)，功能和臨床標(biāo)志物等指標(biāo)后，該模型的生存預(yù)測性能得到進(jìn)一步改善，明顯優(yōu)于右室射血分?jǐn)?shù)。

Arsanjani等[26]利用機器學(xué)習(xí)方法預(yù)測冠心病患者的早期血運重建。該研究納入了713例冠心病患者，其中372例接受血運重建。模型從SPECT心肌灌注(myocardial perfusion SPECT，MPS)圖像中得到定量特征，隨即通過自動特征選擇算法，從提取的SPECT信息及臨床指標(biāo)中選擇可用的特征；然后通過增強的集成機器學(xué)習(xí)算法(LogitBoost)預(yù)測血運重建事件，最后使用交叉驗證的方法評估和比較模型預(yù)測性能。結(jié)果提示機器學(xué)習(xí)的預(yù)測準(zhǔn)確性(AUC，0.81±0.02)與其中一名診斷醫(yī)師(0.81±0.02)相似，優(yōu)于第二名診斷醫(yī)師(0.72±0.02)和缺血灌注參數(shù)(0.77±0.02)。

3 人工智能的不足及完善

3.1 數(shù)據(jù)質(zhì)量控制有待提高

首先，受到醫(yī)療水平及病人地區(qū)分布差異的影響，影像數(shù)據(jù)尤其是心血管方面的數(shù)據(jù)很難達(dá)到可分析水平。事實上，心血管影像特別是CMR圖像，掃描層面多、序列復(fù)雜，不可避免地存在部分低質(zhì)量的圖像，因此心血管圖像質(zhì)控勢在必行。此外，不同產(chǎn)家不同型號的機器，不同掃描參數(shù)對影像人工智能也有著非常大的影響。

3.2 數(shù)據(jù)標(biāo)注

影像人工智能目前主要以監(jiān)督式學(xué)習(xí)為主，數(shù)據(jù)標(biāo)簽必不可少。現(xiàn)在主要的標(biāo)注方式多為手工標(biāo)注，不僅工作量大，準(zhǔn)確性也高度依賴標(biāo)注者的水平。為了提高標(biāo)簽的可信度，往往會采取多個不同水平層次的標(biāo)注者同時標(biāo)注，會進(jìn)一步加大工作量。因此，可采用半監(jiān)督式學(xué)習(xí)，對一部分帶標(biāo)簽的數(shù)據(jù)進(jìn)行監(jiān)督式學(xué)習(xí)，再對剩下的未帶標(biāo)簽的數(shù)據(jù)進(jìn)行分類。而對于一些分割任務(wù)可基于以往的標(biāo)注，通過AI模型對數(shù)據(jù)進(jìn)行預(yù)處理，然后由標(biāo)注人員在此基礎(chǔ)上做一些校正。除此以外，標(biāo)注者大多數(shù)是在ITK-snap、Labelimage等第三方軟件軟件上標(biāo)注，不利于標(biāo)注者之間數(shù)據(jù)的流通，開發(fā)基于內(nèi)網(wǎng)的數(shù)據(jù)標(biāo)注工具，不僅方便管理，還可兼顧患者隱私保護(hù)。

3.3 影像人工智能的可解釋性

當(dāng)前基于深度學(xué)習(xí)的人工智能系統(tǒng)普遍存在可解釋性不足的問題。因為深度學(xué)習(xí)模型學(xué)習(xí)的是大量神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)，預(yù)測過程是相應(yīng)參數(shù)下的計算過程，這個學(xué)習(xí)和預(yù)測的過程是不透明的，和用戶也缺乏交互性。深度學(xué)習(xí)的模型某種程度上只“知其然”而不知其“所以然”。例如，模型接受了大量訓(xùn)練后能根據(jù)圖像診斷心肌病，但它究竟學(xué)到了什么有效特征使得它做出這樣一個判斷，模型不能給出合理的解釋，這就好比中醫(yī)看病是根據(jù)以往的經(jīng)驗做出的診斷。因此可解釋性也是醫(yī)學(xué)人工智能重要研究方向[27-28]。

3.4 小樣本學(xué)習(xí)

深度學(xué)習(xí)需要龐大的數(shù)據(jù)來進(jìn)行訓(xùn)練保證模型的穩(wěn)定性及準(zhǔn)確性。與其他系統(tǒng)相比，心血管系統(tǒng)尤其是心臟磁共振影像數(shù)據(jù)的獲取成本高，時間長，且可用于分析數(shù)據(jù)量一般相對較小，能從小樣本中學(xué)習(xí)最優(yōu)解決方法的模型十分重要。遷移學(xué)習(xí)能把之前機器學(xué)習(xí)模型知識轉(zhuǎn)移到新的模型上，有望顯著地降低深度學(xué)習(xí)所需的大量數(shù)據(jù)資源。

總之，隨著社會老齡化和城市化進(jìn)程加快，居民不健康生活方式流行，心血管病患病人數(shù)將快速增長，心血管病的診治已成為重大的公共衛(wèi)生問題，其中心血管影像在疾病的診斷、治療以及預(yù)后判斷中起著至關(guān)重要的作用。盡管目前心血管影像人工智能研究仍處于起步的階段，但潛力巨大，將是未來發(fā)展的熱點與重點。隨著人工智能的不斷提升，能對大量心血管患者的病情進(jìn)行有效的評估，不僅能有效提升醫(yī)師的診療效率，優(yōu)化看病流程，而且能在疾病預(yù)后判斷和危險分層中發(fā)揮更大的作用，促使心血管疾病診治的快速進(jìn)步。

利益沖突：無。