郭家鋆， 魯鴻飛， 佘佳琦， 吳 東， 曾蒙蘇， 金 航*

1. 上海市影像醫(yī)學(xué)研究所，上海 200032 2. 復(fù)旦大學(xué)附屬中山醫(yī)院放射科，上海 200032

隨著心臟磁共振成像(cardiac magnetic resonance imaging，CMRI)對(duì)心臟疾病診斷、風(fēng)險(xiǎn)評(píng)估和治療決策的臨床價(jià)值得到廣泛認(rèn)可[1]，Cine序列作為CMRI的重要環(huán)節(jié)在心功能分析和心臟疾病診斷中越來(lái)越重要。雖然臨床上心超的應(yīng)用遠(yuǎn)多于CMRI，且心超的斑點(diǎn)追蹤技術(shù)能有效捕捉心肌運(yùn)動(dòng)，但CMRI空間分辨率和軟組織分辨率更有優(yōu)勢(shì)，同時(shí)能順應(yīng)心室形態(tài)，分析心功能更為可靠，被作為參照標(biāo)準(zhǔn)。

目前三維CMRI圖像的人工智能分析和評(píng)價(jià)也是研究熱點(diǎn)。由于Cine序列圖像數(shù)量多，傳統(tǒng)手動(dòng)分析方法耗時(shí)較長(zhǎng)，人工智能的發(fā)展有望解決這一問(wèn)題。但是，目前人工智能對(duì)于心腔大小和心肌厚度明顯異?；颊叩脑\斷價(jià)值需要更多研究來(lái)評(píng)價(jià)[2-3]。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展和廣泛應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)作為人工智能算法的基礎(chǔ)，一直在不斷突破自動(dòng)圖像分析的極限[4-5]。然而，全自動(dòng)心臟分割仍然存在幾個(gè)難題，例如：心臟運(yùn)動(dòng)和機(jī)器干擾；乳頭肌和心內(nèi)膜小梁干擾[4-5]；心房和心室以及腔室和血管的鑒別。盡管多項(xiàng)研究[6-8]已證明自動(dòng)心臟分割能勝任CMRI分析，但臨床上仍傾向于半自動(dòng)分割。

左心室功能(LV)與常見心肌病的診斷和治療密切相關(guān)，如肥厚型心肌病(hypertrophic cardiomyopathy，HCM)和擴(kuò)張型心肌病(dilated cardiomyopathy，DCM)。HCM是年輕人心源性猝死的主要原因，而DCM是心力衰竭的第三常見病因，因此明確不同心肌病心臟自動(dòng)分割的準(zhǔn)確性有重要意義。本研究中旨在比較人工智能和手動(dòng)方法在分析不同心肌病患者LV功能方面的差異，指出人工智能應(yīng)用于不同心肌病診斷的優(yōu)缺點(diǎn)。

1 資料與方法

1.1 一般資料 收集2014年3月至2019年11月在復(fù)旦大學(xué)附屬中山醫(yī)院接受CMRI檢查的393例心肌病患者及體檢者的臨床資料。本研究經(jīng)倫理委員會(huì)批準(zhǔn)(B2018-286)；研究對(duì)象均簽署知情同意書。

其中HCM患者125例(HCM組)，納入標(biāo)準(zhǔn)[9-12]：(1)有排除其他導(dǎo)致左心室肥厚的疾病后，CMRI顯示左心室肥厚(成人患者最大壁厚≥15 mm，有肥厚型心肌病家族史的患者最大壁厚≥13 mm)；(2)心房、心室正常大小，射血分?jǐn)?shù)(EF)>50%。排除標(biāo)準(zhǔn)：(1)有心肌梗死或心肌炎病史；(2)有間隔肌切除術(shù)或酒精性間隔消融史；(3)有心房顫動(dòng)史。

DCM患者133例(DCM組)，納入標(biāo)準(zhǔn)：(1)心超提示EF≤50%；(2)冠狀動(dòng)脈造影、正壓超聲心動(dòng)圖或心肌灌注掃描未提示明顯的梗阻性狹窄(排除缺血性心臟病)；(3)在接受CMRI之前癥狀持續(xù)時(shí)間超過(guò)6周(排除急性心肌炎患者)。排除標(biāo)準(zhǔn)：結(jié)節(jié)病，HCM，致心律失常性右室發(fā)育不良和浸潤(rùn)性心臟病的特異性診斷(如淀粉樣變性和淋巴瘤)[13-14]。

健康體檢者135例(對(duì)照組)，均無(wú)導(dǎo)致胸悶、胸痛等癥狀的器質(zhì)性疾病，同時(shí)無(wú)代謝或心血管疾病史，體格檢查、心電圖及超聲心動(dòng)圖正常。

1.2 CMRI圖像采集 所有病例均采用1.5T磁共振掃描儀(MAGNETOMAera，西門子)完成檢查，并使用心電圖門控和8通道心臟線圈。采用穩(wěn)態(tài)自由進(jìn)動(dòng)(SSFP)序列，覆蓋整個(gè)左心室的短軸切面和長(zhǎng)軸切面(包括雙腔心和四腔心層面)后獲得屏氣掃描圖像。其中Cine序列參數(shù)為重復(fù)時(shí)間/回波時(shí)間(TR/TE)3.2/1.6 ms，翻轉(zhuǎn)角度50°，矩陣256×230，視野(FOV)370 mm×278 mm，采集時(shí)間為每層12 s，層厚8 mm。

1.3 CMRI圖像分析 應(yīng)用人工智能軟件CVI425.3.4 進(jìn)行自動(dòng)分析。CVI軟件自動(dòng)選定左心室舒張末(ED)和收縮末(ES)時(shí)相，并在縱向和短軸Cine圖像上自動(dòng)繪制心內(nèi)膜和心外膜輪廓。記錄自動(dòng)分析結(jié)果后，由兩名具有5年以上CMRI評(píng)估經(jīng)驗(yàn)的醫(yī)師再次以手動(dòng)方式完成上述步驟[15]。體積計(jì)算采用Simpson方法[16]。以手動(dòng)勾畫的結(jié)果為標(biāo)準(zhǔn)，評(píng)價(jià)自動(dòng)分割方法的準(zhǔn)確性。兩位醫(yī)師不被告知受試者情況，若意見出現(xiàn)分歧，通過(guò)協(xié)商達(dá)成一致。

1.4 統(tǒng)計(jì)學(xué)處理 采用SPSS 26.0及MedCalc軟件進(jìn)行統(tǒng)計(jì)分析。符合正態(tài)分布的計(jì)量資料用t檢驗(yàn)，非正態(tài)分布的資料用Mann-WhitneyU檢驗(yàn)。用Bland-Altman分析對(duì)各組的4個(gè)LV功能參數(shù)[EDV、ESV、EF和每搏輸出量(SV)]進(jìn)行自動(dòng)與手動(dòng)分析一致性檢驗(yàn)。符合正態(tài)分布的變量采用Pearson檢驗(yàn)，以相關(guān)系數(shù)(r2)評(píng)價(jià)變量之間的相關(guān)性；不符合正態(tài)分布的變量進(jìn)行Spearman檢驗(yàn)。

2 結(jié) 果

2.1 人口學(xué)資料 結(jié)果(表1)顯示：3組間年齡、身高、體質(zhì)量?jī)蓛杀容^差異均無(wú)統(tǒng)計(jì)學(xué)意義。

表1 3組研究對(duì)象的人口學(xué)資料比較

2.2 自動(dòng)LV分割精度 結(jié)果(表2)顯示：DCM組LV自動(dòng)分割錯(cuò)誤率最高(24.8%)。圖1顯示自動(dòng)LV分割常見情況。

表2 人工智能自動(dòng)LV分割常見問(wèn)題

圖1 自動(dòng)LV分割常見問(wèn)題

2.3 各組間LV功能參數(shù)比較

2.3.1 手動(dòng)分析與自動(dòng)分析結(jié)果比較 結(jié)果(表3)顯示：HCM組EDV、ESV、EF和SV自動(dòng)與手動(dòng)分析結(jié)果差異均無(wú)統(tǒng)計(jì)學(xué)意義；DCM組ESV自動(dòng)分析結(jié)果大于手動(dòng)分析，SV和EF小于手動(dòng)分析，差異均有統(tǒng)計(jì)學(xué)意義(P<0.01)；對(duì)照組EF和SV自動(dòng)分析結(jié)果大于手動(dòng)分析，差異均有統(tǒng)計(jì)學(xué)意義(P<0.01)。

表3 手動(dòng)分析與自動(dòng)分析LV功能參數(shù)結(jié)果比較

2.3.2 組間比較 結(jié)果(表4)顯示，與對(duì)照組相比，DCM組EDV和ESV手動(dòng)和自動(dòng)分析結(jié)果均增大(P<0.01)，EF和SV手動(dòng)和自動(dòng)分析結(jié)果均減小(P<0.01)。與對(duì)照組相比，HCM組ESV手動(dòng)和自動(dòng)分析結(jié)果均減小(P=0.02)，EF和SV手動(dòng)和自動(dòng)分析結(jié)果均增大(P<0.01)，而EDV無(wú)明顯變化。

表4 各組LV功能參數(shù)結(jié)果比較

2.4 LV各參數(shù)自動(dòng)分析結(jié)果診斷DCM、HCM的價(jià)值 結(jié)果(圖2，表5)顯示：自動(dòng)分析ESV診斷DCM、EF診斷HCM的曲線下面積(AUC)分別為0.935和0.695。ESV區(qū)分DCM患者的最佳截?cái)嘀禐?11.3 mL，靈敏度和特異度為96.15%和85.19%。EF區(qū)分HCM患者的最佳截?cái)嘀禐?3.8%，靈敏度為78.05%，特異度為54.07%。自動(dòng)分析各LV參數(shù)對(duì)DCM診斷價(jià)值大于HCM。

2.5 LV各參數(shù)自動(dòng)分析與手動(dòng)分析的相關(guān)性與一致性檢驗(yàn) 結(jié)果(表6，圖3A)顯示：各組EDV與ESV自動(dòng)分析結(jié)果均與手動(dòng)分析結(jié)果高度相關(guān)(r2>0.9，P<0.01)；DCM的4個(gè)參數(shù)自動(dòng)與手動(dòng)分析結(jié)果的相關(guān)性均最低；HCM與對(duì)照組EF和SV的自動(dòng)與手動(dòng)分析結(jié)果的相關(guān)性均較高。Bland-Altman分析(圖3B)顯示：DCM的EDV和ESV被高估，EF和SV被低估。

圖2 LV各參數(shù)自動(dòng)分析區(qū)分DCM(A)、HCM(B)的ROC分析

表5 自動(dòng)分析對(duì)DCM和HCM患者的診斷性能

表6 自動(dòng)與手動(dòng)分析LV功能的相關(guān)性

3 討 論

3.1 CVI軟件的在心肌病中的應(yīng)用 CVI軟件的CNN算法基于大量CMRI病例(包括HCM與DCM)的學(xué)習(xí)。本研究測(cè)量了CNN在健康人和HCM、DCM患者中的通用性，EDV、ESV和SV的自動(dòng)與手動(dòng)分析結(jié)果在HCM患者中的相關(guān)性與一致性最高，在DCM患者中最低，提示人工智能可靠性可能與心肌厚度相關(guān)。心室壁增厚有利于識(shí)別心內(nèi)膜和心外膜，而DCM患者心腔擴(kuò)大、室壁變薄，因此增大了識(shí)別難度[17]。

本研究中DCM的EF自動(dòng)分析結(jié)果多分布在Bland-Altman圖軸線上方。因此，在臨床實(shí)踐中，如果沒有手動(dòng)校正，DCM的EF結(jié)果會(huì)偏小，甚至為個(gè)位數(shù)，與相關(guān)研究[15-16]結(jié)果相符。因此，醫(yī)師傾向于校正左心室心內(nèi)膜邊界，有意增加DCM患者EF，這可能是造成人工智能與手動(dòng)分析間偏差的原因。而且，DCM患者心臟的橫向重建常影響旋轉(zhuǎn)力學(xué)，如心尖旋轉(zhuǎn)和環(huán)向扭轉(zhuǎn)減少，這可能導(dǎo)致ES和ED的錯(cuò)誤定位，從而增加人工智能測(cè)量的誤差[18]。

本研究中，人工智能從CMRI中獲得的EDV、ESV和SV對(duì)DCM的診斷價(jià)值優(yōu)于HCM。這可能是由于HCM的診斷主要由心肌厚度和EF決定，而不是由心室容積的變化決定，而DCM患者EF的顯著下降常伴隨心室容積的變化。本研究發(fā)現(xiàn)，對(duì)照組EF和SV手動(dòng)和自動(dòng)分析結(jié)果差異有統(tǒng)計(jì)學(xué)意義，其中CVI軟件對(duì)二尖瓣層面的勾畫失誤可能為主要原因，進(jìn)而使EF和SV的基線水平上移。但DCM組EF和SV的自動(dòng)分析結(jié)果仍小于手動(dòng)分析結(jié)果，進(jìn)一步說(shuō)明CVI低估DCM患者的病情程度。

圖3 LV功能參數(shù)的自動(dòng)與手動(dòng)相關(guān)性(A)和Bland-Altman一致性(B)

2.2 CVI分析存在的問(wèn)題及改進(jìn) Liu等[18]首先確定了CVI在三維CMRI應(yīng)變分析中的參考范圍，進(jìn)而發(fā)現(xiàn)心內(nèi)膜的徑向勾勒可能對(duì)平面特征缺失非常敏感，這是由于CVI軟件沿著細(xì)微扭曲的心內(nèi)膜邊界進(jìn)行勾勒。當(dāng)二尖瓣環(huán)的原始節(jié)段部分丟失時(shí)，醫(yī)師會(huì)模擬二尖瓣環(huán)的位置，以便進(jìn)一步分析，但CVI軟件常無(wú)法識(shí)別這類心肌丟失的層面，從而進(jìn)一步導(dǎo)致評(píng)估錯(cuò)誤[18]。

由于16段心肌在軸向、徑向和環(huán)向上都有位移，而心尖和底部常難以掃描到。雖然擴(kuò)大掃描范圍和層面可以解決該問(wèn)題，但同時(shí)增加患者反復(fù)屏氣的負(fù)擔(dān)。因此，操作者優(yōu)化解剖定位或糾正錯(cuò)誤非常重要，如糾正胃或心尖部的誤判，或ES的錯(cuò)誤識(shí)別。CMRI圖像Cine序列被用于進(jìn)行回顧性分析重建時(shí)，不同層面可能存在心動(dòng)周期時(shí)相的細(xì)微差異，因此CVI軟件在自動(dòng)定位ES時(shí)需要微調(diào)。而靠近心尖部層面的心室腔縮小，加之肌小梁結(jié)構(gòu)相對(duì)豐富，易被認(rèn)作心外結(jié)構(gòu)而被遺漏。此外，工程師可以針對(duì)心臟解剖的先驗(yàn)知識(shí)進(jìn)一步改進(jìn)CNN模型。但是，這2種解決方案都有缺點(diǎn)：前者會(huì)增加醫(yī)生的負(fù)擔(dān)并降低評(píng)估效率；而后者需要建立新的算法，即需要更新CNN算法本身。

目前的研究[19]已經(jīng)證明，訓(xùn)練數(shù)據(jù)有限的CNN具有較低的通用性，而擴(kuò)大訓(xùn)練數(shù)據(jù)集，包括來(lái)自不同數(shù)據(jù)源的足夠數(shù)據(jù)是提高其通用性的簡(jiǎn)單方法。因此，增加深度學(xué)習(xí)數(shù)據(jù)庫(kù)中各類心肌病患者的數(shù)量可以改進(jìn)CNN對(duì)不同心肌病患者的診斷效能[20]。由于心臟運(yùn)動(dòng)的連續(xù)性，臨床也可以通過(guò)對(duì)1個(gè)心動(dòng)周期內(nèi)所有Cine圖像的追蹤，使CVI分析對(duì)結(jié)果中突發(fā)的、不現(xiàn)實(shí)的心內(nèi)膜運(yùn)動(dòng)自動(dòng)報(bào)錯(cuò)，以此優(yōu)化整個(gè)算法[21]。最新研究[22-23]提出新的分割心臟周期中LV內(nèi)膜的方法，將來(lái)可以借鑒這些分割方法，提高分割結(jié)果的準(zhǔn)確度。

本研究仍有一些局限性：(1)為回顧性研究，前瞻性臨床應(yīng)用仍有待評(píng)估；(2)為單中心試驗(yàn)，尚需多中心研究驗(yàn)證結(jié)論；(3)限制性心肌病、瓣膜性心肌病等其他心肌病未被納入；(4)未分析心室壁解剖結(jié)構(gòu)的判斷錯(cuò)誤及部分層面的遺漏與掃描前訓(xùn)練的相關(guān)性。

綜上所述，本研究表明，對(duì)于不同心肌病，基于深度學(xué)習(xí)的CNN心功能分析可能具有不同的性能，在HCM中的表現(xiàn)優(yōu)于DCM。盡管人工智能易低估DCM患者的心功能，但對(duì)EDV、ESV等的分析結(jié)果對(duì)診斷DCM較HCM更有幫助。在診斷HCM時(shí)，不能依賴人工智能分析。準(zhǔn)確、高效的心功能分析是人工智能的主要優(yōu)勢(shì)，因此人工智能未來(lái)可以為心肌病的診斷提供更多有價(jià)值的信息。

利益沖突：所有作者聲明不存在利益沖突。