蔡雨琪綜述，吳偉春審校

人工智能是通過模擬人類的學(xué)習(xí)思維過程，分析當(dāng)前大數(shù)據(jù)時代下繁雜的數(shù)據(jù)，提高人類工作效率的一種工具。目前機器學(xué)習(xí)以及機器學(xué)習(xí)的子集深度學(xué)習(xí)是人工智能最常用的子集，深度學(xué)習(xí)常用來分析臨床原始數(shù)據(jù)和影像圖像等[1]，機器學(xué)習(xí)常常用于預(yù)測、評估心血管疾病的嚴(yán)重程度及預(yù)后[2]。目前，人工智能在醫(yī)學(xué)上應(yīng)用普遍，在心血管方面已逐步涉及。心力衰竭在人群中發(fā)病率高，嚴(yán)重減低患者的生活質(zhì)量和壽命，給社會造成了巨大的壓力和負擔(dān)[3-4]。尤其是射血分數(shù)保留的心力衰竭（HFpEF），占因心力衰竭入院患者的一半以上[5]，而HFpEF 沒有單一的診斷標(biāo)準(zhǔn)和治療指南，預(yù)后往往也更差，準(zhǔn)確的評估患者的心功能尤其是舒張功能，對早期HFpEF 診斷治療以及評估預(yù)后有重要意義。目前評估心功能的手段較多，但評估效能不一，人為測量差異大，評估的指標(biāo)繁多，臨床醫(yī)師無法對每一位患者進行全面的心功能評估，人工智能以其特有的優(yōu)勢，被逐步應(yīng)用于心功能評估中，有望輔助臨床醫(yī)生高效診斷治療心功能不全患者，引領(lǐng)心血管診療走向更加精準(zhǔn)、個體化的方向[6]?，F(xiàn)對人工智能在心功能評估中的應(yīng)用進展做一綜述。

1 人工智能在心血管疾病領(lǐng)域的發(fā)展概況

人工智能最開始被認為是制造智能機器的科學(xué)，現(xiàn)在，人工智能更多的利用算法，賦予機器智能推理和執(zhí)行功能的能力，并隨著科技進步，逐步轉(zhuǎn)化到各個學(xué)科。機器學(xué)習(xí)和深度學(xué)習(xí)是人工智能的子集，被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域。機器學(xué)習(xí)是機器自動學(xué)習(xí)參數(shù)的過程，可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)主要是對數(shù)據(jù)集進行標(biāo)記，進行回歸分析和預(yù)測，非監(jiān)督學(xué)習(xí)對數(shù)據(jù)集進行降維和聚類，發(fā)現(xiàn)樣本之間的關(guān)系[7]。而深度學(xué)習(xí)屬于機器學(xué)習(xí)的一個子集，但深度學(xué)習(xí)的復(fù)雜程度和智能水平高于機器學(xué)習(xí)本身，深度學(xué)習(xí)通過模擬人腦的神經(jīng)系統(tǒng)，形成卷積神經(jīng)網(wǎng)絡(luò)模型或遞歸神經(jīng)網(wǎng)絡(luò)模型等，自動對數(shù)據(jù)集的聯(lián)系進行分析[8]。在建立人工智能模型的過程中，數(shù)據(jù)集被劃分為訓(xùn)練集、驗證集和測試集。訓(xùn)練集通常包含大量可用數(shù)據(jù)，并與較小的驗證集一起，用于模型的開發(fā)，測試集用于評估模型的適用性[9]。

人工智能在心血管疾病的多個領(lǐng)域廣泛應(yīng)用，包括對瓣膜病的嚴(yán)重程度評估和預(yù)后預(yù)測[10]。深度學(xué)習(xí)算法在預(yù)測肺動脈高壓患者的預(yù)后和未來事件方面明顯優(yōu)于臨床醫(yī)生[11]。此外，人工智能在識別心律失常中亦發(fā)揮了重要作用，利用深度學(xué)習(xí)模型開發(fā)人工智能心電圖儀以及智能手表，可以自動識別心房顫動等心律失常，監(jiān)測個體的心電數(shù)據(jù)情況，為心律失常的診療帶來巨大變化[12]。

2 人工智能在心功能評估的應(yīng)用

心臟功能常常運用超聲心動圖、MRI 等影像學(xué)手段進行評估，超聲心動圖包括二維超聲心動圖、三維超聲心動圖、M 型超聲心動圖等，具有便攜、實用、價格低廉、無放射性等優(yōu)點，可用于評估心臟的結(jié)構(gòu)和功能，但超聲心動圖結(jié)果的準(zhǔn)確性依賴于操作者水平，圖像質(zhì)量水平不一。而MRI 具有高組織分辨率和空間分辨率，成像效果好、重復(fù)性好等優(yōu)點，但MRI 檢查價格高昂、檢查周期長，不能被廣泛應(yīng)用于常規(guī)的心臟檢查中[13]。利鈉肽的水平對評估心功能也有重要意義[14]，但利鈉肽的水平受到性別、年齡等因素的影響，部分心功能減低患者利鈉肽水平仍保持在正常濃度[15]。心功能不全常常是其他心血管疾病的晚期并發(fā)癥，許多患者早期不表現(xiàn)出任何臨床癥狀，常常進展到晚期才出現(xiàn)臨床癥狀，生存質(zhì)量和壽命明顯減低。梅奧中心指出現(xiàn)有的指南指導(dǎo)下心功能不全的治療效果并不理想，有必要重新定義心力衰竭的診斷標(biāo)準(zhǔn)和治療策略[16]，應(yīng)用人工智能分析臨床相關(guān)數(shù)據(jù)，有助于早期發(fā)現(xiàn)心功能不全患者，發(fā)現(xiàn)疾病的新的表型分類，為當(dāng)前診斷標(biāo)準(zhǔn)提供更好更精確的策略，為心血管診療帶來更多進步和機會。

2.1 人工智能在左心室收縮功能中的應(yīng)用

超聲心動圖是定量評估左心室功能的常用手段，其中左心室射血分數(shù)（LVEF）是評估左心室收縮功能最常用的指標(biāo)，對如急性冠狀動脈綜合征、急性心肌炎、心力衰竭的預(yù)后具有預(yù)測意義，此外，LVEF 值對臨床心力衰竭的分類有重要意義。二維超聲心動圖獲取射血分數(shù)值的方式包括：M 型超聲心動圖法和辛普森雙平面法。這兩種方法因為受到肌小梁等的干擾以及選取的切面視圖短縮導(dǎo)致獲得的射血分數(shù)值不準(zhǔn)確，Asch 等[17]利用5 萬份來自超聲心動圖數(shù)據(jù)庫的圖像，構(gòu)建深度學(xué)習(xí)模型，模擬人眼的直接評估LVEF，將構(gòu)建的模型對99 例患者進行檢測，自動獲取射血分數(shù)值，其結(jié)果與3 名專家使用上述的兩種傳統(tǒng)方式獲得的射血分數(shù)值進行比較，兩種方式的一致性高：r=0.94，偏倚=1.4%，一致性限度=±13.4%，敏感度93%，特異度87%，表明模型自動獲得的射血分數(shù)值和專家組人工獲取的射血分數(shù)值可信度相當(dāng)。三維超聲心動圖不需要對心臟進行幾何假設(shè)，避免因為視圖短縮而導(dǎo)致心室容積被低估，機器學(xué)習(xí)模型可以自動識別心內(nèi)膜和心外膜，識別心臟周期的舒張末期和收縮末期，構(gòu)建3D 的左心室腔模型和容積[17-19]，從而獲得LVEF，獲取的結(jié)果重復(fù)性強，與全手工后處理的結(jié)果相比，可信度高r值達到0.88，如果醫(yī)生認為機器識別的邊界需要調(diào)整，可以手動對心內(nèi)膜和心外膜邊緣進行編輯，編輯后獲取的LVEF 等參數(shù)的準(zhǔn)確性明顯提高，其r值增加到0.94[19]。同時，檢測左心室功能的同時，三維超聲心動圖可自動分析左心房，獲取左心房容積，為臨床醫(yī)生評估心功能提供更全面的數(shù)據(jù)[19]。

人工智能利用分類以及回歸算法，可學(xué)習(xí)病例中的客觀的臨床特征數(shù)據(jù)與左心室收縮功能之間的聯(lián)系，構(gòu)建機器學(xué)習(xí)模型，對患者的左心收縮功能進行評估[15,20-21]。在一項對因呼吸困難而入急診的患者回顧性研究中，Attia 等[20,22]獲取1 606 例患者的心電圖數(shù)據(jù)，利用Tensorflow（谷歌張量流圖，一種學(xué)習(xí)系統(tǒng)）+Keras 深度學(xué)習(xí)庫訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò),對訓(xùn)練集內(nèi)的所有患者的12 導(dǎo)聯(lián)心電圖進行學(xué)習(xí)，在訓(xùn)練過程中，輸入由12×5000 個矩陣組成的十二導(dǎo)聯(lián)心電圖，神經(jīng)網(wǎng)絡(luò)使用卷積層對每張圖片進行特征提取，通過一層全連接層使用softmax 激活并實現(xiàn)對心電圖的分類，將該分類結(jié)果與實際的分類進行比較，最后進行adam 算法，對網(wǎng)絡(luò)參數(shù)進行優(yōu)化，獲取相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型自動評估受試者的LVEF值，識別LVEF<35%的患者準(zhǔn)確度、特異度、敏感度、AUC 分別為86.5%、86.8%、82.5%、0.918[16]，使用心電圖以及其他臨床特征可以有效識別射血分數(shù)減低的急診患者，而且模型預(yù)測LVEF 的效能高于利鈉肽的預(yù)測效能[15,20]，這是因為利鈉肽的濃度受到年齡、性別的影響，神經(jīng)網(wǎng)絡(luò)可以克服這一缺陷，對多個臨床特征進行自動分析，更準(zhǔn)確的識別LVEF<35%的人群，此外神經(jīng)網(wǎng)絡(luò)能自動分類識別出有左心室功能減低趨勢的患者，這些患者未來5年出現(xiàn)左心室收縮功能障礙的風(fēng)險較正常人群增加了4 倍[22]。機器學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)可對數(shù)據(jù)集內(nèi)部的相似性進行學(xué)習(xí)聚類，可以利用心電圖數(shù)據(jù)對收縮功能障礙的患者進行自動聚類[22]，利用基層醫(yī)院可行的心電圖等檢查手段早期篩查出收縮功能障礙以及有收縮功能減低趨勢的患者，并可利用心電圖等其他的臨床數(shù)據(jù)對患者的射血分數(shù)值實時評估，當(dāng)發(fā)生射血分數(shù)顯著降低時及時進行干預(yù)。

MRI 檢查通過對圖像進行后處理，專業(yè)醫(yī)師手動描記心室內(nèi)膜邊界，獲取左心室收縮末期和舒張末期的容積，評估左心室射血功能，需耗費大量時間，而且不同水平的醫(yī)師描記的結(jié)果可信度也有差異。機器學(xué)習(xí)和深度學(xué)習(xí)模型自動對心內(nèi)膜進行分割、描記心內(nèi)膜邊界[7,23]，建立穩(wěn)定的心臟模型，利用分類器如softmax 等識別心臟時相，準(zhǔn)確識別心室舒張末期和收縮末期[24]，獲取左心室的容積、質(zhì)量、心肌室壁厚度和心臟功能[7,24]，其中壓縮感知成像可從小樣本數(shù)據(jù)庫快速采集圖像，加速對心臟的重建[25]，并行成像以及實時成像加速MRI 圖像的獲取[24,26]，聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，使臨床應(yīng)用MRI 全自動重建分析心臟功能成為可能。B?ttcher等[27]利用機器學(xué)習(xí)快速獲取心室容積-時間曲線，獲取整個心動周期的左心室容積變化數(shù)據(jù)，與傳統(tǒng)的手動分析手段相比，準(zhǔn)確性差異無統(tǒng)計學(xué)意義，但對每個患者的分析時間從（43±14）min 顯著縮減到（2.5±0.5）min，實現(xiàn)了實時MRI 評估心功能，實時獲取的左心室容積和變化參數(shù)具有潛在的臨床意義。

2.2 人工智能在左心室舒張功能中的應(yīng)用

對于LVEF 降低的心力衰竭患者，舒張功能指數(shù)變化早于收縮功能，且舒張功能對心力衰竭患者的治療效果和預(yù)后意義更大[28]，此外，舒張功能不全的患者在人群中隱匿性強，可不表現(xiàn)出任何癥狀，準(zhǔn)確的評估左心室舒張功能，識別舒張功能降低的患者，有助于對心力衰竭患者進行早期診療和改善預(yù)后。超聲心動圖是評估左心室舒張功能的重要手段[29]，人工智能采用二尖瓣舒張早期和晚期的峰值速度E 峰和A 峰以及E/A、組織多普勒二尖瓣環(huán)舒張早期速度e’、三尖瓣反流峰值流速、左心房容積指數(shù)、左心室質(zhì)量等超聲心動圖參數(shù)評估左心室舒張功能[21,29]，其中，舒張早期二尖瓣環(huán)速度e’是最成熟的用于評估心肌舒張功能的參數(shù)之一,通常在其他超聲心動圖指標(biāo)改變之前提示心肌損傷[30-31]，常常用來訓(xùn)練評估舒張功能的機器學(xué)習(xí)模型。有學(xué)者通過整合體表信號處理心電圖、12 導(dǎo)聯(lián)心電圖的數(shù)據(jù)和臨床特征建立評估舒張功能的監(jiān)督機器學(xué)習(xí)模型，預(yù)測的準(zhǔn)確程度和超聲心動圖評估的準(zhǔn)確程度相當(dāng)[21,31]。在一項從四個北美機構(gòu)納入1 202 名受試者的前瞻性研究中，利用訓(xùn)練組的心電數(shù)據(jù)和臨床特征構(gòu)建的機器學(xué)習(xí)模型，可以預(yù)測受試者超聲心動圖組織多普勒的e'速度，內(nèi)部測試集和外部測試集預(yù)測值與實際e'速度相當(dāng)[31]。此外，左心室的容積變化和整體縱向應(yīng)變模式也常用于定量評估左心室舒張功能，深度學(xué)習(xí)和機器學(xué)習(xí)通過分析超聲心動圖圖像，快速預(yù)測左心室的容積和整體縱向應(yīng)變[19]，預(yù)測結(jié)果和MRI 結(jié)果具有良好的一致性[18]。

左心舒張功能減低患者靜息狀態(tài)下可能不表現(xiàn)出任何癥狀，但心臟舒張儲備功能明顯下降，負荷狀態(tài)下的心肌不能代償，表現(xiàn)為心肌的舒張運動模式異常，心肌僵硬度增加[32]，指南建議將心臟儲備功能作為評估心功能不全的常規(guī)檢查[14]。有研究獲取受試者的靜息時和負荷下的不同時相的左心室長軸間隔壁和后壁心肌運動的模式數(shù)據(jù)，用于構(gòu)建無監(jiān)督機器學(xué)習(xí)模型，通過降維獲取數(shù)據(jù)中的相似性，再利用聚類將相似的特征提取出來，獲得了四個表型不同的亞組，可更準(zhǔn)確的幫助臨床醫(yī)生評估患者的心肌舒張功能，提供更加精準(zhǔn)的治療策略和預(yù)后價值[33]。

3 人工智能與右心室功能

MRI 是評估右心室功能的金標(biāo)準(zhǔn)[27,34]，能客觀評估心腔的結(jié)構(gòu)和功能，通過對專家手動分析的MRI 圖像數(shù)據(jù)進行學(xué)習(xí)，構(gòu)建機器學(xué)習(xí)模型，描記右心室心內(nèi)膜邊界[23]，自動重建心臟模型，獲取右心室心肌運動模式，能精確的識別出肺動脈高壓患者不良事件發(fā)生的概率，精確度高于右心室射血分數(shù)以及右心室應(yīng)變[7]。MRI 是評估右心室射血分數(shù)和容積的金標(biāo)準(zhǔn)，但目前MRI 檢查成本高，檢查周期長，三維經(jīng)食道超聲心動圖比MRI 檢查更易獲取和操作，有軟件公司開發(fā)的機器學(xué)習(xí)模型對3D-TEE 圖像進行自動分析，獲取右心室的容積和射血分數(shù)值，其中三分之一的患者可以完全自動化分析，時間僅需（15±1）s，而剩下的三分之二的患者需要經(jīng)過2 min 左右的手動描邊后獲取右心室功能。所有的病例的結(jié)果具有良好的重現(xiàn)性，準(zhǔn)確度和MRI 評估結(jié)果一致[35]。Liu 等[36]使用基于人工智能算法的分析軟件對術(shù)中三維經(jīng)食道超聲心動圖的右心室圖像進行全自動分析，評估右心室功能相關(guān)參數(shù)之間的關(guān)系，發(fā)現(xiàn)右心室面積變化分數(shù)和右心室長軸應(yīng)變之間有很強的相關(guān)性，且獲取的參數(shù)的重復(fù)性高，因此可利用人工智能軟件，對患者的應(yīng)變參數(shù)進行分析，進一步研究應(yīng)變值與術(shù)前危險分層以及術(shù)后預(yù)后的關(guān)系。

三維經(jīng)食道超聲心動圖能精確評估右心室功能，但操作困難，有創(chuàng)，二維經(jīng)胸超聲相對三維超聲更易獲取，更安全。二維超聲獲取參數(shù)如右心室收縮壓、肺動脈舒張壓、三尖瓣環(huán)收縮期位移、右心室面積變化分數(shù)、三尖瓣環(huán)收縮峰值速率S’速度被用來評估右心室的功能，利用機器學(xué)習(xí)分析發(fā)現(xiàn)三尖瓣環(huán)收縮期位移和S’預(yù)測評估右心室功能降低的精確度最高[37]。一項利用機器學(xué)習(xí)模型預(yù)測安裝左心室輔助裝置患者發(fā)生右心衰竭的研究提出，在所有右心室功能相關(guān)參數(shù)中，Michigan risk score（用于評估安裝左心室輔助裝置的患者發(fā)生右心室心力衰竭風(fēng)險的風(fēng)險評分手段[38]）、中心靜脈壓、右心室尖端游離壁的收縮期長軸應(yīng)變對預(yù)測急性右心衰竭的準(zhǔn)確性最高，右心室中段游離壁的收縮期應(yīng)變、三尖瓣環(huán)收縮期位移、右心房應(yīng)變在預(yù)測患者發(fā)生慢性右心衰竭的準(zhǔn)確性最高，為預(yù)測左心室輔助裝置植入術(shù)后右心衰竭提供更敏感的參數(shù)，協(xié)助臨床醫(yī)生快速處理并發(fā)癥[39]。

4 結(jié)論與展望

人工智能能通過學(xué)習(xí)客觀的臨床特征如心電圖等評估預(yù)測患者的心功能，在心血管疾病的臨床應(yīng)用中有巨大潛力，利用現(xiàn)有自動分析軟件，分析超聲心動圖和MRI 的圖像，快速描記心內(nèi)膜邊界，獲取心室的大小、容積、質(zhì)量、功能、運動模式等。通過對大樣本的臨床數(shù)據(jù)進行學(xué)習(xí)和分析，可以識別心功能減低的人群、發(fā)現(xiàn)疾病的新的亞型、構(gòu)建新的有特征性的心功能不全表型分類、判斷患者的預(yù)后或者發(fā)生心功能不全的風(fēng)險，輔助臨床醫(yī)生對患者進行個性化精確治療。然而，當(dāng)前人工智能仍有其局限性，如機器學(xué)習(xí)模型評估心功能時大多數(shù)是對超聲心動圖獲取的數(shù)據(jù)進行標(biāo)記構(gòu)建機器學(xué)習(xí)模型，而獲得的超聲心動圖質(zhì)量并不完全一致，低質(zhì)量的數(shù)據(jù)不能準(zhǔn)確的預(yù)測患者的心臟功能。此外，大多數(shù)研究受試者樣本量集中于某一地區(qū)，這樣獲得的機器學(xué)習(xí)模型在該地區(qū)的預(yù)測效果好，但對其他地區(qū)人群的評估結(jié)果較差，模型不具有普適性。大多數(shù)分類模型是對樣本進行的回顧性分析，未對受試者的預(yù)后進行追蹤，而通過聚類分析，獲得的特點相似分組的治療效果和預(yù)后對疾病的危險分層和治療有重要意義，尤其是對HEpEF 患者尤其重要。在圖像識別方面，人工智能的識別準(zhǔn)確性很大程度依賴于圖像的質(zhì)量。此外，當(dāng)前的人工智能模型如同一個“黑箱”，人們即使能理解算法的數(shù)學(xué)原理，也很難理解這些算法是如何做出決定的，人工智能無法解釋黑箱內(nèi)部的結(jié)構(gòu)和相互之間的因果關(guān)系[40]。

人工智能可以有效地幫助人類拓寬認知的邊界，但人類的理性的敏銳的思維是人工智能無法替代的，不可否認，人工智能為心功能的評估提供了巨大的機會，它正在改變診療的格局，為臨床醫(yī)生提供有力的輔助工具，提高患者的生活質(zhì)量和生存時間。不久的將來，人工智能的快速發(fā)展將會帶領(lǐng)我們進入心血管診療的新時代。

利益沖突：所有作者均聲明不存在利益沖突