劉子暖，楊俊杰，陳韻岱

1解放軍總醫(yī)院第一醫(yī)學(xué)中心心血管內(nèi)科，北京 100853；2南開(kāi)大學(xué)醫(yī)學(xué)院，天津 300071

過(guò)去20年，心臟計(jì)算機(jī)斷層掃描血管造影(cardiac computed tomography angiography，CCTA)設(shè)備與技術(shù)水平不斷提高，逐漸成為評(píng)估冠狀動(dòng)脈疾病(coronary artery disease，CAD)的重要手段。2019年歐洲心臟病學(xué)會(huì)發(fā)表的《慢性冠脈綜合征診斷與管理指南》推薦將CCTA作為疑似胸痛患者排除阻塞性CAD的初始檢查手段(Ⅰ類(lèi)推薦)，對(duì)可疑或新診斷的CAD患者，可應(yīng)用CCTA進(jìn)行危險(xiǎn)分層(Ⅰ類(lèi)推薦)[1]。由于較高的陰性預(yù)測(cè)值及診斷準(zhǔn)確性，CCTA被視為冠脈介入手術(shù)前可靠的CAD篩查手段[2]。 此外，隨著CT心肌灌注(computed tomography perfusion，CTP)及CT血流儲(chǔ)備分?jǐn)?shù)(computed tomography-fractional flow reserve，CT-FFR)等功能學(xué)評(píng)估手段的持續(xù)發(fā)展與深入研究，解剖學(xué)聯(lián)合功能學(xué)診斷可有效減少下游的侵入性檢查及治療[3-5]。

伴隨著功能學(xué)成像的發(fā)展，人工智能(artificial intelligence，AI)在心血管領(lǐng)域的應(yīng)用急劇增多。AI是對(duì)人類(lèi)智能進(jìn)行模擬、拓展及延伸的一門(mén)新興學(xué)科，可以實(shí)現(xiàn)數(shù)據(jù)的自動(dòng)解讀，并在短時(shí)間內(nèi)對(duì)大量數(shù)據(jù)集進(jìn)行分析，建立并評(píng)估復(fù)雜模型的區(qū)分度及校準(zhǔn)度。機(jī)器學(xué)習(xí)(machine learning，ML)是AI的一個(gè)分支，可從給定的訓(xùn)練數(shù)據(jù)集中運(yùn)用不同的算法進(jìn)行數(shù)據(jù)解析及學(xué)習(xí)，并以此為基礎(chǔ)構(gòu)建模型，從而對(duì)外部結(jié)果進(jìn)行預(yù)判[6]。深度學(xué)習(xí)是一種利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。當(dāng)應(yīng)用多層神經(jīng)元節(jié)點(diǎn)進(jìn)行計(jì)算時(shí)，整個(gè)體系獲得的參數(shù)越多，對(duì)真實(shí)關(guān)系的模擬程度越強(qiáng)，該技術(shù)被稱(chēng)為深度神經(jīng)網(wǎng)絡(luò)(deep neural network，DNN)技術(shù)。

隨著CCTA的廣泛使用及圖像分析特征的增加，圖像后處理對(duì)技術(shù)及時(shí)間的要求不斷提高，而ML不僅可以對(duì)此進(jìn)行優(yōu)化，還可增加圖像預(yù)處理、風(fēng)險(xiǎn)分層等方面的新應(yīng)用。目前，ML在心臟CT領(lǐng)域的相關(guān)循證醫(yī)學(xué)證據(jù)迅速增多，本文對(duì)近年來(lái)ML在心臟CT領(lǐng)域，包括心臟CT圖像分析、風(fēng)險(xiǎn)模型建立、CTP及CT-FFR等方面的應(yīng)用進(jìn)行 綜述。

1 ML概要

ML是一門(mén)完全由數(shù)據(jù)驅(qū)動(dòng)的計(jì)算機(jī)學(xué)科，它與普通算法的主要區(qū)別在于，普通算法只能接受給定的模式及關(guān)系，而ML可通過(guò)學(xué)習(xí)對(duì)數(shù)據(jù)中多維變量的潛在關(guān)系進(jìn)行自動(dòng)識(shí)別并建模，實(shí)現(xiàn)對(duì)外部數(shù)據(jù)的預(yù)判，使工作效率大大提高。根據(jù)訓(xùn)練數(shù)據(jù)集是否有學(xué)習(xí)標(biāo)準(zhǔn)，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)及強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)主要用于解決分類(lèi)及回歸問(wèn)題，常見(jiàn)算法包括k近鄰(k-nearest neighbor，k-NN)、隨機(jī)森林(random forest，RF)、支持向量機(jī)(support vector machines，SVM)、決策樹(shù)(decision tree，DF)、邏輯回歸及大部分神經(jīng)網(wǎng)絡(luò)。其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)及DNN默認(rèn)圖像為輸入層，通過(guò)卷積提取圖像特征，配合若干全連接層完成圖像特征分類(lèi)，其容錯(cuò)能力好，泛化能力強(qiáng)，常用于處理圖像相關(guān)問(wèn)題。非監(jiān)督學(xué)習(xí)無(wú)明確的學(xué)習(xí)目標(biāo)，通過(guò)聚類(lèi)算法尋找數(shù)據(jù)集中的規(guī)律性并進(jìn)行分析，常用于無(wú)人工注釋的數(shù)據(jù)。半監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)同時(shí)包括標(biāo)注數(shù)據(jù)及非標(biāo)注數(shù)據(jù)，可視為監(jiān)督與非監(jiān)督學(xué)習(xí)的結(jié)合。強(qiáng)化學(xué)習(xí)則主要解決序貫決策問(wèn)題，在目前的臨床研究中并不常用。

2 ML在心臟CT圖像分析中的應(yīng)用

2.1 在圖像預(yù)處理中的應(yīng)用 在圖像重建及預(yù)處理中，對(duì)圖像進(jìn)行降噪處理及偽影修正可有效提高圖像質(zhì)量，為后續(xù)進(jìn)一步圖像分析提供保障。圖像修正一般通過(guò)不同的濾波算法完成，根據(jù)應(yīng)用域不同，可分為基于空間域及基于頻域的降噪方法，通過(guò)在二維空間內(nèi)對(duì)圖像像素進(jìn)行處理或在頻域中識(shí)別噪聲信息頻譜差異，達(dá)到去噪的目的。這些算法多基于系統(tǒng)模型及數(shù)學(xué)統(tǒng)計(jì)模型，計(jì)算復(fù)雜，且涉及CT投影的原始數(shù)據(jù)，在實(shí)際研究中較難獲得。ML對(duì)此進(jìn)行簡(jiǎn)化，通過(guò)不同算法學(xué)習(xí)目標(biāo)圖像與標(biāo)準(zhǔn)圖像間的非線(xiàn)性映射，進(jìn)行端對(duì)端的直接學(xué)習(xí)，以此建立降噪模型。如Tatsugami等[7]提出的去噪過(guò)濾器，以高質(zhì)量全模型迭代重建圖像為目標(biāo)，訓(xùn)練DNN模型，提高了混合迭代重建圖像的質(zhì)量，使得圖像噪聲由(23.0±4.6) HU降至(18.5±2.8) HU。當(dāng)缺乏標(biāo)準(zhǔn)圖像不能匹配樣本對(duì)時(shí)，仍可使用非監(jiān)督學(xué)習(xí)方法，如Kang等[8]提出的循環(huán)一致性生成對(duì)抗網(wǎng)絡(luò)(cycle consistent generative adversarial network，Cycle GAN)，通過(guò)對(duì)多相CCTA高、低劑量圖像的映射關(guān)系進(jìn)行學(xué)習(xí)，建立了降噪模型。

CT輻射劑量一直是CT研究領(lǐng)域的熱點(diǎn)問(wèn)題，輻射劑量的下降可減輕對(duì)人體的輻射傷害，但與此相伴的是圖像信噪比的降低。降噪模型為此問(wèn)題提供了一種可靠的解決方案。一些研究致力于運(yùn)用ML算法構(gòu)建低劑量CT降噪器，尤其是CNN[9-10]及生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)[11]。如Shan等[11]描述的GAN模型、Chen等[10]描述的3層CNN模型、Huang等[9]提出的兩階段殘差CNN等。最近，還有研究將ML算法直接用于圖像重建中，省去了重建后的降噪處理[12]。

除了與CT系統(tǒng)設(shè)備及重建算法相關(guān)的噪聲外，運(yùn)動(dòng)偽影及高密度偽影也是導(dǎo)致圖像質(zhì)量較差的常見(jiàn)因素。Lossau等[13]提出一種名為CoMoFACT的模型，將合成運(yùn)動(dòng)偽影用于監(jiān)督學(xué)習(xí)，實(shí)現(xiàn)對(duì)冠脈偽影的識(shí)別及量化。在此基礎(chǔ)上，訓(xùn)練后的CNN模型實(shí)現(xiàn)了對(duì)偽影的校正[14]。最近，該團(tuán)隊(duì)還提出了應(yīng)用3組CNN對(duì)起搏器造成的金屬偽影進(jìn)行消除的方法[15]，該方法已在9例臨床案例中完成了測(cè)試，結(jié)果顯示金屬偽影明顯減少。除了卷積網(wǎng)絡(luò)外，還有研究使用U-net網(wǎng)絡(luò)修正正弦圖以達(dá)到抑制金屬偽影的目的[16]。

雖然ML在CT降噪及偽影校正方面取得了可喜的結(jié)果，但仍面臨一些挑戰(zhàn)。ML模型需要基于大量有代表性的數(shù)據(jù)進(jìn)行訓(xùn)練，而部分研究對(duì)訓(xùn)練數(shù)據(jù)的質(zhì)量要求較高，獲取成本也較高，如上述金屬偽影案例，這限制了訓(xùn)練數(shù)據(jù)集的樣本量及多樣性，導(dǎo)致訓(xùn)練后的模型泛化能力不足。Lossau等[13]通過(guò)人工模擬偽影解決了樣本量不足的問(wèn)題，但這種人為合成數(shù)據(jù)并不能代表所有真實(shí)的情況，樣本多樣性難以保證，在此情形下建立的模型是否會(huì)出現(xiàn)過(guò)度擬合問(wèn)題令人擔(dān)憂(yōu)。此外，對(duì)于常見(jiàn)影響CCTA圖像判讀的嚴(yán)重鈣化偽影及高密度支架偽影問(wèn)題，相關(guān)研究較少。由于部分容積效應(yīng)的影響，高CT衰減值區(qū)域的管腔邊界不清，無(wú)法對(duì)其進(jìn)一步評(píng)估，往往會(huì)導(dǎo)致無(wú)效檢測(cè)或診斷準(zhǔn)確性下降。如何在高CT衰減值背景下實(shí)現(xiàn)管腔識(shí)別及分割可能是該領(lǐng)域未來(lái)的最大挑戰(zhàn)。

2.2 在冠脈鈣化檢測(cè)中的應(yīng)用 冠脈鈣化檢測(cè)作為一種CAD的篩查工具，是心血管事件的有力預(yù)測(cè)因子。其檢測(cè)通常在非對(duì)比增強(qiáng)的心臟CT圖像中進(jìn)行，以質(zhì)量分?jǐn)?shù)[17]、體積分?jǐn)?shù)[18]或Agatston評(píng)分[19]來(lái)定量表示鈣化負(fù)荷，其中Agatston評(píng)分是最常用的冠脈鈣化積分(coronary artery calcium score，CACS)計(jì)算方法。目前已有許多半自動(dòng)化冠脈鈣化檢測(cè)方法，但仍離不開(kāi)人工手動(dòng)標(biāo)注，而ML的引入為冠脈鈣化自動(dòng)檢測(cè)提供了更多可能性。

冠脈鈣化檢測(cè)一般以130 HU為閾值對(duì)鈣化斑塊進(jìn)行識(shí)別及分割，其中對(duì)非冠脈鈣化的區(qū)分及鈣化位置特征的描述一直是兩大核心問(wèn)題，特別是在非對(duì)比增強(qiáng)CT中，冠脈難以與周?chē)M織相區(qū)分。目前一些ML算法通過(guò)對(duì)病變紋理、體積、形狀等圖像特征進(jìn)行學(xué)習(xí)，使用k-NN、SVM、CNN等分類(lèi)器實(shí)現(xiàn)了對(duì)冠脈鈣化的識(shí)別。對(duì)于位置特征，Wolterink等[20]及Yang等[21]通過(guò)使用匹配的CCTA圖集進(jìn)行配準(zhǔn)，獲取非對(duì)比增強(qiáng)圖像上的冠脈位置信息；Isgum等[22]通過(guò)設(shè)計(jì)地圖集為冠脈鈣化的空間特征提供概率信息；Shahzad等[23]將CCTA地圖集注冊(cè)到CT掃描中進(jìn)行冠脈位置估計(jì)，引入標(biāo)準(zhǔn)化空間以獲得位置特征。

與非對(duì)比增強(qiáng)CT不同，CCTA中由于對(duì)比劑的應(yīng)用使血管顯像更加明顯，其位置特征可以不必通過(guò)提取冠脈樹(shù)獲得。Wolterink等[24]通過(guò)在心臟周?chē)O(shè)置邊界框，使用CNN分類(lèi)器直接對(duì)該區(qū)域中所有體素進(jìn)行識(shí)別，將體素在該區(qū)域內(nèi)的坐標(biāo)確定為位置特征。Lessmann等[25]提出的方法與之類(lèi)似，但該方法主要應(yīng)用于低劑量胸部CT掃描而非CCTA掃描圖集中。最近還有研究回避了冠脈鈣化分割問(wèn) 題[26]，利用CNN結(jié)構(gòu)直接回歸計(jì)算CACS，將該方法應(yīng)用于903例心臟CT及1687例胸部CT掃描圖像中，獲得的CACS與人工測(cè)量的CACS的類(lèi)內(nèi)相關(guān)系數(shù)達(dá)0.98，同時(shí)，該方法可在0.3 s內(nèi)完成，計(jì)算效率遠(yuǎn)遠(yuǎn)超過(guò)其他方法。

目前已有的研究多致力于開(kāi)發(fā)不同的ML算法解決冠脈鈣化自動(dòng)識(shí)別問(wèn)題，這些方法大多僅應(yīng)用于少量特定掃描圖集中，當(dāng)更換不同的掃描協(xié)議或CT掃描方案時(shí)，其性能尚不可知。van Velzen等[27]在最新研究中納入用于低劑量肺癌篩查、正電子發(fā)射計(jì)算機(jī)斷層掃描(PET)衰減校正、放射治療計(jì)劃及常規(guī)診斷目的的掃描圖集，證實(shí)了深度學(xué)習(xí)算法在大量、多樣化CT檢查中的有效性。目前，臨床中應(yīng)用的冠脈鈣化檢測(cè)大多為半自動(dòng)檢測(cè)，需人工手動(dòng)校正?；贛L算法的冠脈鈣化全自動(dòng)檢測(cè)尚無(wú)統(tǒng)一的標(biāo)準(zhǔn)及規(guī)范化應(yīng)用，難以在臨床廣泛開(kāi)展，尤其是在缺少大量手動(dòng)注釋影像作為訓(xùn)練集且掃描協(xié)議難以統(tǒng)一的背景下，這對(duì)ML在該領(lǐng)域的下一步應(yīng)用提出了巨大挑戰(zhàn)。

2.3 在冠脈斑塊分析中的應(yīng)用 CCTA的主要作用是對(duì)冠脈斑塊進(jìn)行分析，從而獲得有指導(dǎo)意義的斑塊特征。有研究發(fā)現(xiàn)，無(wú)癥狀患者中的斑塊負(fù)荷（包括其數(shù)量、大小、形態(tài)等）是未來(lái)心血管不良事件的預(yù)測(cè)因子[28]。斑塊分析通常在CT后處理系統(tǒng)中由人工手動(dòng)完成，其時(shí)間成本及人工成本十分昂貴，且具有一定的人為主觀(guān)性。ML基于數(shù)據(jù)進(jìn)行的分析在很大程度上可提高效率，彌補(bǔ)這一 缺點(diǎn)。

由于斑塊分析僅在管腔內(nèi)進(jìn)行，部分斑塊自動(dòng)檢測(cè)方法更關(guān)注管腔及血管壁的分割，以此作為斑塊搜索的基礎(chǔ)。Zhou等[29]提出了一種冠脈多尺度響應(yīng)-滾動(dòng)球囊區(qū)域生長(zhǎng)法(MSCAR-RBG)用于提取冠狀動(dòng)脈樹(shù)。Wei等[30]在此基礎(chǔ)上，通過(guò)學(xué)習(xí)血管壁徑向梯度的二維拓?fù)涮卣鱽?lái)檢測(cè)非鈣化斑塊。Ghanem等[31]則將血管濾過(guò)器、區(qū)域生長(zhǎng)與水平集算法相結(jié)合，分割血管壁來(lái)進(jìn)行斑塊檢測(cè)，是首個(gè)通過(guò)3D CCTA圖像數(shù)據(jù)輸入進(jìn)行管壁分割的框架。這些分割方法雖然有效地提取了管腔區(qū)域，使斑塊檢測(cè)更具有針對(duì)性，但其算法較為復(fù)雜，僅有少量研究開(kāi)展。

另外一種常見(jiàn)的思路是在沿冠脈中心線(xiàn)的管腔截面中提取形狀、強(qiáng)度及紋理特征，訓(xùn)練ML模型識(shí)別斑塊。Zuluaga等[32]提出基于強(qiáng)度特征識(shí)別血管異常值以檢測(cè)有無(wú)斑塊；Zhao等[33]引入隨機(jī)半徑對(duì)稱(chēng)特征向量進(jìn)行不同斑塊類(lèi)型的識(shí)別；Jawaid等[34]以平均徑向輪廓為特征檢測(cè)非鈣化斑塊。這幾種檢測(cè)方式均基于SVM模型進(jìn)行。Zreik等[35]則提出了一種組合算法框架，應(yīng)用CNN提取特征，通過(guò)遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)聚集特征，實(shí)現(xiàn)對(duì)斑塊類(lèi)型及狹窄程度的檢測(cè)。

目前大多數(shù)研究?jī)H可實(shí)現(xiàn)對(duì)斑塊的粗略區(qū)分，即有無(wú)斑塊、斑塊類(lèi)型(鈣化、非鈣化、混合斑塊)及有無(wú)狹窄等，僅有少量研究對(duì)特定斑塊類(lèi)型進(jìn)行了檢測(cè)。如Yamak等[36]及Masuda等[37]對(duì)纖維斑塊及脂質(zhì)斑塊的檢測(cè)，Shi等[38]對(duì)易損斑塊的識(shí)別。Kolossváry等[39]提出了一種識(shí)別組織學(xué)定義的晚期粥樣硬化斑塊的方法，該方法通過(guò)將組織學(xué)圖像與體外CCTA掃描配準(zhǔn)，確定CCTA上的參考標(biāo)準(zhǔn)，提取冠脈橫斷面特征，使用線(xiàn)性分類(lèi)器將病變分為晚期或早期動(dòng)脈粥樣硬化。不同斑塊類(lèi)型對(duì)患者預(yù)后的影響不一，對(duì)高危斑塊進(jìn)行識(shí)別更有意義，但由于學(xué)習(xí)樣本有限，模型難以達(dá)到廣泛適用性。Kolossváry等[39]研究中的斑塊類(lèi)型由組織學(xué)切片定義，僅納入7例患者的21根血管進(jìn)行建模及驗(yàn)證，Masuda等[37]研究則以血管內(nèi)超聲(intravascular ultrasound，IVUS)的結(jié)果作為斑塊分類(lèi)標(biāo)準(zhǔn)，均難以獲得大量樣本，這大大限制了同類(lèi)型研究的進(jìn)一步開(kāi)展。

目前，國(guó)內(nèi)外均有使用基于ML的冠脈病變智能輔助診斷系統(tǒng)，如以色列斑馬醫(yī)療研發(fā)的HealthCCS系統(tǒng)可針對(duì)鈣化斑塊進(jìn)行分析，于2018年經(jīng)美國(guó)FDA批準(zhǔn)上市；我國(guó)CoronaryDoc冠心病輔助診斷系統(tǒng)可對(duì)易損斑塊進(jìn)行分析，進(jìn)行冠脈血流動(dòng)力學(xué)評(píng)估并給出血運(yùn)重建術(shù)前規(guī)劃，現(xiàn)已進(jìn)入AI三類(lèi)證綠色通道審批階段。此外，隨著更多的諸如“阿里AI”等人工智能平臺(tái)的迅速發(fā)展，預(yù)計(jì)未來(lái)將有更多的人工智能輔助診療產(chǎn)品應(yīng)用于臨床 實(shí)踐。

3 ML在風(fēng)險(xiǎn)模型中的應(yīng)用

風(fēng)險(xiǎn)模型多采用ML分類(lèi)算法，已在臨床各領(lǐng)域得到廣泛應(yīng)用。常見(jiàn)的分類(lèi)器包括RF、SVM、k-NN、決策樹(shù)、邏輯回歸及樸素貝葉斯。在心臟CT方面，ML主要使用回顧性數(shù)據(jù)建立預(yù)后模型，多用于預(yù)測(cè)疑似CAD患者的心血管不良事件，如Motwani等[40]及Ambale-Venkatesh等[41]的模型將臨床特征與CT影像特征相結(jié)合，van Rosendael等[42]及Johnson等[43]的模型則僅納入CT影像特征。其中，Johnson等[43]的研究基于16節(jié)段冠脈的4個(gè)特征，包括斑塊體積、鈣化程度、直徑狹窄率及有無(wú)正性重構(gòu)，對(duì)DF、邏輯回歸、k-NN及分類(lèi)神經(jīng)網(wǎng)絡(luò)4種模型進(jìn)行比較，結(jié)果顯示k-NN對(duì)結(jié)局的預(yù)測(cè)性能最佳，預(yù)測(cè)全因死亡的曲線(xiàn)下面積(area under curve，AUC)達(dá)0.77，預(yù)測(cè)冠心病死亡或非致死性心肌梗死的AUC達(dá)0.85。該研究還將k-NN評(píng)分與現(xiàn)有的非ML評(píng)分相比較，包括CAD-RADS、SSS、SIS、CT-Leaman及SPS，除SPS在冠心病死亡或非致死性心肌梗死事件中與k-NN無(wú)明顯差異外(AUC：0.84 vs. 0.85, P=0.37)，其余評(píng)分的AUC均明顯低于k-NN(全因死亡：0.77 vs. 0.72～0.26，P＜0.001；冠心病死亡或非致死性心肌梗死：0.85 vs. 0.80～0.83，P＜0.001)。

最近一項(xiàng)研究利用25個(gè)臨床特征建立驗(yàn)前概率模型，預(yù)測(cè)CCTA上阻塞型CAD的出現(xiàn)，該模型在多國(guó)、多中心CONFIRM研究人群中應(yīng)用，結(jié)果顯示，與ML模型(AUC=0.773)、CAD聯(lián)盟評(píng)分(AUC=0.734)、CACS(AUC=0.866)、更新的Diamond-Forrester評(píng)分(UDF，AUC=0.682)相比，ML與CACS組合的預(yù)測(cè)性能最佳(AUC=0.881，P＜0.05)[43]。

ML用于風(fēng)險(xiǎn)模型的優(yōu)點(diǎn)在于：不基于先驗(yàn)假設(shè)，即納入模型的特征不具有主觀(guān)偏向性，而是運(yùn)用算法對(duì)所有能獲得的信息進(jìn)行篩選，得到對(duì)結(jié)局有益的特征。如Motwani等[40]的研究中展示的信息增益排名、Al'Aref等[44]的研究中的特征重要性排名等。這有助于獲得更全面的信息，建立更精準(zhǔn)的模型。雖然ML算法的優(yōu)越性已被證實(shí)，但不同算法的計(jì)算策略、效率及精準(zhǔn)度有所區(qū)別，目前尚缺乏大型研究對(duì)不同算法的性能進(jìn)行比較[44]。另外，風(fēng)險(xiǎn)模型的建立完全是由數(shù)據(jù)驅(qū)動(dòng)的，這需要有相對(duì)完整臨床信息的大樣本人群，同時(shí)要求有準(zhǔn)確的隨訪(fǎng)或診斷結(jié)果作為模型分類(lèi)標(biāo)準(zhǔn)。由于我國(guó)目前臨床數(shù)據(jù)的收集及隨訪(fǎng)程序并不十分完善，因此在我國(guó)開(kāi)展此類(lèi)研究還存在一定困難。

4 ML在CTP中的應(yīng)用

CTP是最近幾年發(fā)展起來(lái)的一種新型功能學(xué)檢查，通過(guò)觀(guān)測(cè)對(duì)比劑在心肌中的灌注及流出情況評(píng)價(jià)心肌缺血程度，可分為靜態(tài)及動(dòng)態(tài)兩種模式，前者在首次灌注期間的單個(gè)時(shí)間點(diǎn)進(jìn)行圖像捕獲，而后者在灌注期間進(jìn)行多次掃描，可獲得完整的信號(hào)強(qiáng)度-時(shí)間曲線(xiàn)。檢測(cè)心肌在負(fù)荷狀態(tài)下的灌注情況，通常在動(dòng)態(tài)CTP中完成，多以藥物形式進(jìn)行 負(fù)荷。

ML在CTP中的應(yīng)用尚不多見(jiàn)。Xiong等[45]采用訓(xùn)練好的Adaboost分類(lèi)器在靜息CCTA掃描圖集中執(zhí)行左室自動(dòng)分割，并以標(biāo)準(zhǔn)化灌注強(qiáng)度、跨壁灌注比及心肌壁厚度3個(gè)特征訓(xùn)練ML模型，預(yù)測(cè)定量冠脈造影(quantitative coronary angiography，QCA)上＞50%的狹窄病變。該研究將ML方法同時(shí)用于圖像分割及預(yù)測(cè)模型中，展示了ML模型組合應(yīng)用的可能性，然而其局限性在于，基于CTP的預(yù)測(cè)模型是以QCA結(jié)果為分類(lèi)標(biāo)準(zhǔn)的，但QCA并不能反映狹窄的功能學(xué)意義。該團(tuán)隊(duì)的一項(xiàng)后續(xù)研究使用相似的分析及建模方法預(yù)測(cè)FFR上的顯著缺血，結(jié)果顯示，該方法的診斷準(zhǔn)確率達(dá)63.5%，與CT顯示的冠脈狹窄(AUC=0.68)相比，靜息CTP可明顯提高對(duì)缺血病變的識(shí)別能力(AUC=0.75，P=0.001)[46]。近期van Hamersvelt等[47]對(duì)冠脈中度狹窄的患者進(jìn)行研究，使用深度學(xué)習(xí)算法對(duì)患者的左室心肌形狀、紋理及對(duì)比度等圖像信息進(jìn)行提取，預(yù)測(cè)FFR定義的功能性狹窄，結(jié)果顯示與僅基于狹窄等級(jí)的分類(lèi)相比，該方法提高了對(duì)缺血病變的識(shí)別能力(AUC：0.76 vs. 0.68)。

在心肌灌注方面，ML更多應(yīng)用于SPECT中，而CTP在檢測(cè)小面積心內(nèi)膜下缺血及多血管病變等方面較SPECT心肌灌注更具優(yōu)勢(shì)。即便如此，一些問(wèn)題仍亟待解決，如動(dòng)態(tài)CTP輻射暴露更大、對(duì)掃描硬件要求高、易受偽影影響(特別是線(xiàn)束硬化偽影)，而靜態(tài)CTP對(duì)掃描時(shí)間的要求更為嚴(yán)格等，這些缺陷可能會(huì)成為未來(lái)ML改進(jìn)的立足點(diǎn)。另外，動(dòng)態(tài)CTP已被證明與未來(lái)不良心臟事件的發(fā)生相關(guān)，可預(yù)測(cè)冠狀動(dòng)脈狹窄的預(yù)后[3]，但目前尚缺少相關(guān)研究，將CTP特征引入預(yù)后模型可能會(huì)提高對(duì)相關(guān)患者的風(fēng)險(xiǎn)分層能力。

5 ML在CT-FFR中的應(yīng)用

CT-FFR是另一項(xiàng)很有前景的新興技術(shù)，它以流體動(dòng)力學(xué)為計(jì)算基礎(chǔ)，通過(guò)納維-斯托克斯方程(Navier-Stokes equations)將血液模擬為牛頓流體，在靜息CCTA圖像上，對(duì)心室、冠脈樹(shù)及主動(dòng)脈進(jìn)行三維重建，模擬冠脈最大充血狀態(tài)，與冠脈血流量、管壁彈性等參數(shù)結(jié)合，計(jì)算狹窄遠(yuǎn)端冠脈內(nèi)的平均壓力與冠脈開(kāi)口處主動(dòng)脈平均壓力的比值，獲得血流儲(chǔ)備分?jǐn)?shù)。

最早提出的Heartflow模型于2014年經(jīng)FDA批準(zhǔn)用于臨床。該模型主要是基于計(jì)算流體力學(xué)(computational fluid dynamics，CFD)，其臨床適用性已得到大量研究支持，最近Patel等[48]使用ADVANCE(Assessing Diagnostic Value of Non-invasive FFRCT in Coronary Care)注冊(cè)研究中接受CCTA患者的1年隨訪(fǎng)結(jié)果，評(píng)估基于Heartflow的CT-FFR對(duì)下游護(hù)理及臨床結(jié)局的影響，結(jié)果顯示，患者發(fā)生主要心血管不良事件(MACE)的比例較低，與CT-FFR＞0.8的患者相比，CT-FFR≤0.8的患者發(fā)生心血管死亡或非致死性心肌梗死的風(fēng)險(xiǎn)明顯升高(RR=4.22，P=0.01)。然而，這種基于計(jì)算流體力學(xué)的方法對(duì)計(jì)算機(jī)硬件要求高，運(yùn)算耗時(shí)長(zhǎng)，計(jì)算成本巨大，且其依賴(lài)于經(jīng)驗(yàn)?zāi)Ｐ停y以完成復(fù)雜病變的計(jì)算。我國(guó)基于深度學(xué)習(xí)的CT-FFR軟件DEEPVESSEL-FFR已于去年投產(chǎn)上市，這是國(guó)內(nèi)首個(gè)獲得AI智能醫(yī)療器械三類(lèi)證的AI醫(yī)學(xué)影像產(chǎn)品，也是全球范圍內(nèi)第二款獲批上市的CT-FFR產(chǎn)品。不同于Heartflow模型依靠傳統(tǒng)的流場(chǎng)仿真技術(shù)，DEEPVESSEL-FFR采用自主研發(fā)的深度學(xué)習(xí)技術(shù)，將血流動(dòng)力學(xué)模型與深度神經(jīng)網(wǎng)絡(luò)結(jié)合，能夠高效、精準(zhǔn)地對(duì)全冠脈樹(shù)上任意一點(diǎn)的FFR值進(jìn)行計(jì)算，可以對(duì)復(fù)雜病變進(jìn)行評(píng)估，與壓力導(dǎo)絲測(cè)量的有創(chuàng)FFR具有良好的一致性(r=0.686，95%CI 0.567～0.799，P＜0.001)[49]。此外，國(guó)內(nèi)外多家企業(yè)也一直致力于研發(fā)基于不同深度學(xué)習(xí)算法的CT-FFR模型，并相繼進(jìn)入臨床試驗(yàn)及醫(yī)療審查階段，如早期由Itu等[50]提出的cFFR模型，基于12 000多個(gè)具有不同狹窄程度的冠脈模型，構(gòu)建ML模型以學(xué)習(xí)解剖特征與使用CFD模型計(jì)算的FFR值之間的映射關(guān)系。該方法最大的優(yōu)點(diǎn)是使FFR計(jì)算時(shí)間明顯縮短，可達(dá)近乎實(shí)時(shí)的結(jié)果，且其對(duì)缺血性病變的診斷能力已得到證實(shí)[51-53]，包括基于不同金標(biāo)準(zhǔn)[54-55]及對(duì)特定病變[56-57]的研究。近期Lossnitzer等[58]的一項(xiàng)研究表明，在CT-FFR＞0.8的患者中，94%經(jīng)侵入性冠狀動(dòng)脈造影(invasive coronary angiography，ICA)證實(shí)為無(wú)阻塞型病變，cFFR的應(yīng)用可能會(huì)減少55%潛在的ICA轉(zhuǎn)診，有助于改善臨床下游管理。最近提出的uCT-FFR模型以侵入性FFR為金標(biāo)準(zhǔn)，在9個(gè)中心的338例患者中進(jìn)行驗(yàn)證，診斷準(zhǔn)確率達(dá)91%，高于CCTA及ICA(P＜0.001)[59]。

傳統(tǒng)的有創(chuàng)FFR基于冠脈造影，其耗材昂貴，且需藥物擴(kuò)張血管，有一定風(fēng)險(xiǎn)，而CT-FFR依賴(lài)于無(wú)創(chuàng)影像學(xué)檢查CCTA，在降低醫(yī)療成本的同時(shí)，可精準(zhǔn)、快速、安全地進(jìn)行FFR分析，而ML算法的應(yīng)用為此提供了保障。與CCTA圖像分析類(lèi)似，CT-FFR分析產(chǎn)生的誤差主要來(lái)源于圖像質(zhì)量干擾，包括CCTA圖像噪聲及重度彌漫鈣化偽影。目前有學(xué)者提出可應(yīng)用減影冠狀動(dòng)脈計(jì)算機(jī)斷層掃描(subtraction coronary computed tomography angiography，S-CCTA)來(lái)克服鈣化偽影的影響，或可提高CT-FFR在彌漫鈣化病變中的診斷性能[60]。另外，隨著仿真技術(shù)水平的提高，CT-FFR在提供病變功能學(xué)評(píng)估的同時(shí)，還可進(jìn)行虛擬支架植入及虛擬搭橋仿真，為下游診療提供精準(zhǔn)預(yù)案。目前的研究多圍繞CT-FFR診斷性能進(jìn)行，少有預(yù)后研究評(píng)估不同模型的臨床應(yīng)用價(jià)值，我國(guó)正在開(kāi)展一項(xiàng)CT-FFR影響穩(wěn)定型胸痛患者臨床決策的多中心隨機(jī)對(duì)照臨床研究(TARGET研究，ClinicalTrial.gov注冊(cè)號(hào)：NCT03901326)[61]，這將為該技術(shù)在我國(guó)的開(kāi)展提供更多循證醫(yī)學(xué)依據(jù)。

6 總結(jié)與展望

ML是計(jì)算機(jī)科學(xué)高速發(fā)展的產(chǎn)物，它基于大數(shù)據(jù)計(jì)算，對(duì)潛在的事物規(guī)律進(jìn)行自主學(xué)習(xí)，優(yōu)化了傳統(tǒng)計(jì)算模型，大幅提高了工作效率及質(zhì)量。目前，ML在實(shí)際應(yīng)用中面臨的挑戰(zhàn)主要源于算法及數(shù)據(jù)質(zhì)量?jī)蓚€(gè)方面。其中在算法方面，尚缺少對(duì)不同模型的橫向比較研究，不同算法采取的建模思路與計(jì)算方式各異，需要考慮針對(duì)不同類(lèi)型的臨床問(wèn)題采取何種算法以取得最優(yōu)解，特別是對(duì)于目前尚在探索中的應(yīng)用領(lǐng)域，如重度鈣化、支架影的識(shí)別及CT-FFR診斷灰區(qū)等問(wèn)題。在數(shù)據(jù)質(zhì)量方面，受限于臨床成本問(wèn)題，高質(zhì)量、大樣本訓(xùn)練數(shù)據(jù)較難獲得，影響了以此為基礎(chǔ)建立的ML模型的泛化能力及穩(wěn)定性。對(duì)某些復(fù)雜問(wèn)題，當(dāng)ML模型不具備解決能力時(shí)，尚需人為干預(yù)及校正。

近年來(lái)，隨著深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)等AI技術(shù)的不斷涌現(xiàn)，影像組學(xué)的概念被提出，以概述從醫(yī)療影像中自動(dòng)提取高通量特征參數(shù)，建立模型以進(jìn)行風(fēng)險(xiǎn)分層、輔助診療決策這一完整過(guò)程，其可視為AI在醫(yī)療影像評(píng)估中多個(gè)環(huán)節(jié)的組合應(yīng)用，并已逐漸成為目前臨床研究的大趨勢(shì)。在心臟CT領(lǐng)域，已有許多AI產(chǎn)品落地應(yīng)用，未來(lái)如何借助AI實(shí)現(xiàn)臨床患者診療路徑的優(yōu)化管理值得進(jìn)一步關(guān)注 研究。