沈文茜 杜國(guó)慶

(哈爾濱醫(yī)科大學(xué)附屬第二醫(yī)院超聲醫(yī)學(xué)科，黑龍江 哈爾濱 150086)

由于超聲心動(dòng)圖是唯一允許對(duì)心臟實(shí)時(shí)和動(dòng)態(tài)觀察，即刻檢測(cè)出心臟各種異常的成像方式，所以在心血管疾病的診斷和治療中起著至關(guān)重要的作用[1]。心臟結(jié)構(gòu)和功能的準(zhǔn)確定量評(píng)估是臨床診斷和制定合理治療方案的基礎(chǔ)，但基于主觀評(píng)價(jià)的二維超聲心動(dòng)圖的定量和診斷容易出錯(cuò)，主要問(wèn)題是操作者的手法以及對(duì)超聲心動(dòng)圖的解讀，操作者之間存在相當(dāng)大的差異，尤其對(duì)于質(zhì)量較差的圖像[2]。盡管人工智能20世紀(jì)50年代就已出現(xiàn)，但直到最近，人們才對(duì)人工智能在醫(yī)學(xué)成像中的應(yīng)用產(chǎn)生濃厚的興趣和研究，機(jī)器學(xué)習(xí)(machine learning，ML)是人工智能的一個(gè)子領(lǐng)域，ML模型可通過(guò)對(duì)海量超聲心動(dòng)圖圖像的回顧來(lái)“學(xué)習(xí)”圖像中不同的特征代表什么，然后來(lái)識(shí)別新的圖像，量化感興趣區(qū)域或識(shí)別特定疾病模式等[3]。在ML模型的輔助診斷下，可減少操作者之間和操作者內(nèi)部的差異，從而提高診斷的準(zhǔn)確性，并提供額外的人眼無(wú)法察覺(jué)的信息[4]。因此，ML模型有望成為快速和準(zhǔn)確地評(píng)估心血管結(jié)構(gòu)和功能的工具。現(xiàn)對(duì)ML在超聲心動(dòng)圖中的應(yīng)用進(jìn)展做一綜述。

1 ML

ML是一門以數(shù)學(xué)和計(jì)算機(jī)科學(xué)為基礎(chǔ)的廣泛學(xué)科，它可通過(guò)復(fù)雜的計(jì)算和統(tǒng)計(jì)算法“教會(huì)”計(jì)算機(jī)快速、準(zhǔn)確和高效地分析大量數(shù)據(jù)，這些算法從現(xiàn)有的數(shù)據(jù)集中推斷關(guān)系，并了解其中哪些關(guān)系具有最高的預(yù)測(cè)能力。利用這些知識(shí)ML模型就能對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)。ML可分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、增強(qiáng)學(xué)習(xí)及深度學(xué)習(xí)[5]。(1)監(jiān)督學(xué)習(xí)：在監(jiān)督學(xué)習(xí)中，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)有一個(gè)明確的標(biāo)識(shí)或結(jié)果，在建立預(yù)測(cè)模型時(shí)，監(jiān)督式學(xué)習(xí)建立一個(gè)學(xué)習(xí)過(guò)程，將預(yù)測(cè)結(jié)果與“訓(xùn)練數(shù)據(jù)”的實(shí)際結(jié)果進(jìn)行比較，不斷地調(diào)整預(yù)測(cè)模型，直到模型的預(yù)測(cè)結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。分類和回歸是監(jiān)督學(xué)習(xí)的兩種類型。(2)非監(jiān)督學(xué)習(xí)：在非監(jiān)督學(xué)習(xí)中，數(shù)據(jù)并不被特別標(biāo)識(shí)，學(xué)習(xí)模型試圖找出輸入數(shù)據(jù)之間的相似性，并根據(jù)這些相似性對(duì)數(shù)據(jù)進(jìn)行分類，也被稱為密度估計(jì)。非監(jiān)督學(xué)習(xí)包含有聚類。(3)半監(jiān)督學(xué)習(xí)：半監(jiān)督學(xué)習(xí)介于非監(jiān)督學(xué)習(xí)(未標(biāo)記數(shù)據(jù))和監(jiān)督學(xué)習(xí)(標(biāo)記數(shù)據(jù))之間。在此學(xué)習(xí)方式下，輸入數(shù)據(jù)部分被標(biāo)識(shí)，部分未被標(biāo)識(shí)，這種學(xué)習(xí)模型可用來(lái)進(jìn)行預(yù)測(cè)，但模型首先需學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)以便合理地組織數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)。(4)強(qiáng)化學(xué)習(xí)：在這種學(xué)習(xí)模式中，當(dāng)答案錯(cuò)誤時(shí)，算法會(huì)被告知，但不會(huì)告知如何糾正它，它必須探索和測(cè)試各種可能性，直到找到正確的答案。強(qiáng)化學(xué)習(xí)不同于監(jiān)督學(xué)習(xí)，因?yàn)樗惶峁┚_的輸入和輸出集，也不提供精確的次優(yōu)操作。(5)深度學(xué)習(xí)：深度學(xué)習(xí)是一種人工神經(jīng)網(wǎng)絡(luò)，能使用卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)處理更大和更復(fù)雜的數(shù)據(jù)集。深度學(xué)習(xí)可以是有監(jiān)督、無(wú)監(jiān)督或半監(jiān)督[6]。

雖然ML模型具有快速地分析大量數(shù)據(jù)的潛力，但它們本身需大量數(shù)據(jù)來(lái)確保它們得到充分的訓(xùn)練。在醫(yī)療領(lǐng)域，需付出巨大的努力以確保數(shù)據(jù)的充足、質(zhì)量以及準(zhǔn)確性，然后才能用來(lái)訓(xùn)練模型。此外，更重要的是要確保這些用于模型訓(xùn)練的數(shù)據(jù)集能代表總體，因?yàn)槌闃悠詈蛿?shù)據(jù)的缺失會(huì)對(duì)模型的預(yù)測(cè)能力產(chǎn)生負(fù)面影響[7]。目前ML已被應(yīng)用到醫(yī)學(xué)成像領(lǐng)域的各種技術(shù)中，例如CT冠狀動(dòng)脈造影中的鈣化評(píng)分[8]、輔助放射科醫(yī)生對(duì)乳腺病變的檢測(cè)[9]以及皮膚病學(xué)中的皮膚癌分類[10]。

2 ML在超聲心動(dòng)圖中的應(yīng)用

指南建議超聲心動(dòng)圖通過(guò)對(duì)心臟腔室和瓣膜的定量測(cè)量來(lái)指導(dǎo)臨床決策[11]，然而，定量分析操作復(fù)雜，有時(shí)還需大量的時(shí)間來(lái)進(jìn)行手動(dòng)描記，在繁忙的臨床環(huán)境中這是不可能實(shí)現(xiàn)的[12]。所以視覺(jué)定性評(píng)估仍在臨床實(shí)踐中占主要地位，這就需操作者具備大量的圖像采集和超聲心動(dòng)圖解讀經(jīng)驗(yàn)，而低年資超聲專業(yè)醫(yī)師往往不具備這樣的能力。在急診科，超聲檢查變得越來(lái)越普遍，而對(duì)于未經(jīng)正式訓(xùn)練的內(nèi)科醫(yī)生，操作規(guī)范和圖像解讀都非常難[13]。應(yīng)用ML來(lái)完成對(duì)量化的需求，為臨床醫(yī)生提供快速的全自動(dòng)測(cè)量，可提高診斷的準(zhǔn)確性[14]。

隨著三維超聲心動(dòng)圖等多維成像方法的出現(xiàn)，超聲心動(dòng)圖中獲得的數(shù)據(jù)量逐漸增加[15]，獲得的大部分?jǐn)?shù)據(jù)未得到充分利用。ML技術(shù)就具有同時(shí)從超聲心動(dòng)圖中提取多個(gè)數(shù)據(jù)集的潛力，通過(guò)ML模型這些數(shù)據(jù)集可以高效和自動(dòng)化的方式進(jìn)行解讀[6]。此外，ML模型能將現(xiàn)有的電子健康記錄中的臨床數(shù)據(jù)與超聲心動(dòng)圖數(shù)據(jù)聯(lián)系起來(lái)，為臨床醫(yī)生提供更多的信息，以便更好地服務(wù)于患者[16]。

雖然ML在超聲心動(dòng)圖中的應(yīng)用還處于相對(duì)早期的階段，但已應(yīng)用在超聲心動(dòng)圖的很多方面，包括圖像識(shí)別、心功能的自動(dòng)量化、瓣膜疾病的自動(dòng)評(píng)估以及鑒別超聲征象相似的疾病。

2.1 圖像識(shí)別

超聲心動(dòng)圖實(shí)現(xiàn)全自動(dòng)心功能評(píng)估的最重要步驟之一就是圖像識(shí)別，標(biāo)準(zhǔn)圖像的自動(dòng)分類是預(yù)處理階段的關(guān)鍵，也為后續(xù)全自動(dòng)分析提供基礎(chǔ)?；跁r(shí)空特征提取的多節(jié)段分類算法和監(jiān)督學(xué)習(xí)法，實(shí)現(xiàn)了自動(dòng)識(shí)別并分類超聲心動(dòng)圖中的心尖兩腔心、心尖四腔心和胸骨旁長(zhǎng)軸切面，正確率分別為97%、91%和97%，平均識(shí)別率為95%[17]。研究表明深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)超聲心動(dòng)圖心尖四腔心切面進(jìn)行自動(dòng)質(zhì)量評(píng)估，通過(guò)圖像是否清晰顯示四個(gè)腔室，專家人為地將圖像質(zhì)量定義為0～5分(0分：僅顯示明顯的主動(dòng)脈瓣和/或僅顯示房間隔或室間隔；1分：顯示一個(gè)或兩個(gè)腔室的邊界；2分：顯示三個(gè)腔室的邊界；3分：顯示三腔或四腔的邊界，但不夠清晰，無(wú)法量化所有腔；4分：清晰地顯示三腔或四腔的邊界，可用于量化分析；5分：清晰地顯示四個(gè)腔室的邊界，所有心腔均可量化)。最終訓(xùn)練模型與專家評(píng)分的平均絕對(duì)誤差為0.71±0.58，并且可推廣到超聲心動(dòng)圖其他標(biāo)準(zhǔn)切面[18]。另有研究表明：由卷積神經(jīng)網(wǎng)絡(luò)組成的深度學(xué)習(xí)模型能自動(dòng)地檢測(cè)和識(shí)別15個(gè)標(biāo)準(zhǔn)視圖(左室長(zhǎng)軸切面、右室流出道切面、大動(dòng)脈短軸切面、二尖瓣口短軸切面、心尖四腔心切面、心尖五腔心切面、心尖兩腔心切面、心尖三腔心切面、劍突下四腔心切面、下腔靜脈長(zhǎng)軸切面、劍突下腹主動(dòng)脈切面、胸骨上窩主動(dòng)脈弓長(zhǎng)軸切面、脈沖波多普勒、連續(xù)波多普勒和M型超聲心動(dòng)圖)的特定特征，而不用考慮圖像分辨率，其準(zhǔn)確率為97.8%[19]。圖1是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型用于超聲心動(dòng)圖圖像分類的例子。

2.2 心功能的自動(dòng)量化

定量評(píng)估左心室的大小和功能是目前超聲心動(dòng)圖最主要的目的之一。在傳統(tǒng)ML和深度學(xué)習(xí)之前，形變模型在邊緣檢測(cè)、分割、形狀表征和運(yùn)動(dòng)跟蹤方面顯示出巨大潛力[20]。研究證明：ML模型可實(shí)現(xiàn)測(cè)量自動(dòng)化，增加測(cè)量重復(fù)性，在專家和初學(xué)者之間搭建橋梁，提高檢查效率和簡(jiǎn)化工作流程。自動(dòng)測(cè)量心功能是最早實(shí)現(xiàn)的應(yīng)用技術(shù)之一，可明顯減少操作者的主觀性，增加測(cè)量重復(fù)性[21]。隨著技術(shù)的進(jìn)步，基于ML圖像分析的新型全自動(dòng)軟件實(shí)現(xiàn)了快速和可重復(fù)地測(cè)量左心室容積、射血分?jǐn)?shù)以及雙平面縱向應(yīng)變[22]。在三維超聲心動(dòng)圖方面，ML模型可自動(dòng)測(cè)量左心房和左心室體積以及射血分?jǐn)?shù)，自動(dòng)化測(cè)量結(jié)果不僅可與人工測(cè)量相比擬，還與心臟磁共振具有良好的一致性[15，23-25]。最新研究表明：ML模型可準(zhǔn)確地測(cè)量三維超聲心動(dòng)圖中右心室容積和射血分?jǐn)?shù)，重復(fù)性較好，如32%的患者實(shí)現(xiàn)準(zhǔn)確的全自動(dòng)化分析僅需(15±1) s，且重復(fù)性為100%；而其余68%患者還需在自動(dòng)分析后手動(dòng)進(jìn)行調(diào)整，平均時(shí)間為(114 ± 71) s[26]。

圖1 卷積神經(jīng)網(wǎng)絡(luò)模型示意圖

2.3 瓣膜疾病的自動(dòng)化定量評(píng)估

超聲心動(dòng)圖是評(píng)價(jià)瓣膜反流的最常用影像方法。最新指南建議使用半定量和定量超聲心動(dòng)圖技術(shù)來(lái)評(píng)估瓣膜反流的嚴(yán)重程度[27]，后者臨床多采用反流緊縮口寬度及近端等速表面積法(proximal isovelocity surface area，PISA)?；诙S超聲心動(dòng)圖的PISA和半球?qū)ΨQ性幾何假設(shè)的內(nèi)在局限性，三維超聲心動(dòng)圖的PISA技術(shù)已被證明與心臟磁共振有更好的相關(guān)性[28]。de Agustín等[29]研究中使用自動(dòng)化軟件對(duì)三維超聲心動(dòng)圖中二尖瓣P(guān)ISA進(jìn)行自動(dòng)量化。Choi等[30]采用三維全容積彩色多普勒超聲心動(dòng)圖對(duì)主動(dòng)脈瓣反流容積進(jìn)行定量分析，結(jié)果與心臟磁共振具有很好的正相關(guān)，比二維超聲心動(dòng)圖PISA更能準(zhǔn)確地反映主動(dòng)脈瓣反流的嚴(yán)重程度。此外，經(jīng)食管三維超聲心動(dòng)圖二尖瓣自動(dòng)評(píng)估軟件實(shí)現(xiàn)了比人工判讀更可靠和一致的二尖瓣環(huán)大小及其形態(tài)的定量評(píng)估[31]。

2.4 鑒別超聲征象相似的疾病

不同的病理狀態(tài)可有相似的超聲心動(dòng)圖表現(xiàn)，如果操作者缺乏臨床經(jīng)驗(yàn)將很難進(jìn)行鑒別診斷。如運(yùn)動(dòng)員常出現(xiàn)左心室肥大，但這種超聲征象也會(huì)在肥厚型心肌病中出現(xiàn)[32]。一項(xiàng)研究開發(fā)了一種集成模型，包括支持向量機(jī)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)，可精確地區(qū)分這兩種情況，該模型可自動(dòng)地區(qū)別運(yùn)動(dòng)員生理性左心室肥大和肥厚型心肌病，校正年齡后，靈敏度為96%[33]。此外，縮窄性心包炎(constrictive pericarditis，CP)與限制型心肌病(restrictive cardiomyopathy，RCM)患者的血流動(dòng)力學(xué)特征相似，使得區(qū)分這兩種疾病比較困難。由于CP和RCM的治療方案和臨床結(jié)果存在顯著差異，區(qū)別二者就具有至關(guān)重要的意義。超聲心動(dòng)圖是診斷CP和RCM的首選影像學(xué)方法，一項(xiàng)研究證明ML模型具有準(zhǔn)確地區(qū)分CP和RCM的患者群體中相似征象的能力，利用多種超聲心動(dòng)圖特征，ML分類算法能準(zhǔn)確地區(qū)分二者，準(zhǔn)確率為90%[34]。

3 小結(jié)

雖然超聲心動(dòng)圖是診斷心血管疾病常用且較易操作的成像方式，但在很大程度上依賴于操作者的經(jīng)驗(yàn)。ML已被證明可提高超聲心動(dòng)圖的優(yōu)勢(shì)：不僅使解讀過(guò)程重復(fù)性更好，準(zhǔn)確性更高，并且可大大縮短分析時(shí)間。盡管有人擔(dān)心，將ML模型整合到醫(yī)療環(huán)境中可能會(huì)取代臨床醫(yī)生，但它更有可能成為臨床醫(yī)生(尤其是經(jīng)驗(yàn)較少的醫(yī)生)的輔助工具，使他們能更準(zhǔn)確和更快速地進(jìn)行分析和診斷。雖然ML的使用近幾年來(lái)有了很大的進(jìn)步，但仍處于起步階段，還需進(jìn)一步的研究來(lái)完善。