郭邦俊 張龍江 盧光明*

《中國(guó)心血管健康與疾病報(bào)告2020 概要》報(bào)告指出，中國(guó)心血管?。╟ardiovascular diseases, CVD）現(xiàn)患病人數(shù)約3.3 億，其中冠心?。╟oronary artery disease,CAD）病人約 1 139 萬(wàn)[1]。心血管 CT 是一種無(wú)創(chuàng)檢測(cè)CVD 的方法，能夠?yàn)榧膊≡\斷、療效監(jiān)測(cè)以及預(yù)后評(píng)估等方面提供影像學(xué)證據(jù)。然而，在心血管疾病診療過(guò)程中會(huì)產(chǎn)生海量數(shù)據(jù)，包括病史記錄以及實(shí)驗(yàn)室檢查、病理學(xué)、基因檢測(cè)的結(jié)果，影像學(xué)檢查的影像數(shù)據(jù)及報(bào)告等。由于臨床醫(yī)生的經(jīng)驗(yàn)水平及時(shí)間所限，對(duì)病人的這些信息很難分析透徹，因此誤診的情況隨時(shí)有發(fā)生的可能[2]。

目前適用的診斷或者預(yù)測(cè)模型通常建立于某一人群，然而隨著精準(zhǔn)醫(yī)學(xué)時(shí)代的到來(lái)，需要對(duì)每例病人的情況做出推斷，而不能滿足于總體上正確[3]。與常用的統(tǒng)計(jì)學(xué)模型不同的是，人工智能（artificial intelligence，AI）模型可以利用不同的算法從海量的數(shù)據(jù)中完成學(xué)習(xí)，并且不斷優(yōu)化自身的性能，突破了傳統(tǒng)統(tǒng)計(jì)學(xué)模型的局限。最近，有多篇文獻(xiàn)[4]報(bào)道AI 運(yùn)用于疾病的監(jiān)測(cè)、診斷、分類乃至結(jié)局預(yù)測(cè)的研究成果。本文通過(guò)復(fù)習(xí)文獻(xiàn)對(duì)心血管CT影像學(xué)中常用的AI 術(shù)語(yǔ)予以介紹，并總結(jié)AI 相關(guān)技術(shù)在該領(lǐng)域研究與應(yīng)用，最后討論AI 在心血管影像中的應(yīng)用局限和對(duì)未來(lái)的展望。

1 與心血管CT 影像學(xué)相關(guān)的AI 術(shù)語(yǔ)及其應(yīng)用

1.1 AI AI 是一個(gè)定義廣泛的術(shù)語(yǔ)。當(dāng)前許多研究中使用的深度學(xué)習(xí)（deep learning,DL）、機(jī)器學(xué)習(xí)（machine learning,ML）等方法都屬于AI 技術(shù)。根據(jù)是否有手動(dòng)標(biāo)注的標(biāo)簽（例如疾病的活檢結(jié)果）輸入模型內(nèi)，ML 方法可以分為無(wú)監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)[5]。無(wú)監(jiān)督學(xué)習(xí)不需手動(dòng)標(biāo)注，但模型得出結(jié)果可能缺乏直觀。相較于無(wú)監(jiān)督學(xué)習(xí)，監(jiān)督學(xué)習(xí)需要專業(yè)人員根據(jù)已知結(jié)果對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，根據(jù)已有數(shù)據(jù)集訓(xùn)練優(yōu)化模型，但需消耗大量的時(shí)間與精力。

1.2 ML ML 是AI 的一個(gè)分支，常見(jiàn)的ML 模型包括回歸模型、隨機(jī)森林（random forests,RF）和支持向量機(jī)（support vector machines,SVM）模型等。在心血管領(lǐng)域，回歸模型被廣泛用于疾病的分類或確定心血管病相關(guān)的風(fēng)險(xiǎn)因素。然而，心血管疾病的診斷或預(yù)后常涉及許多因素，這可能導(dǎo)致過(guò)度擬合。目前已經(jīng)建立了正則化回歸模型，通過(guò)縮小系數(shù)來(lái)避免從復(fù)雜的模型中學(xué)習(xí)，避免邏輯回歸的過(guò)度擬合問(wèn)題。RF 本質(zhì)是一系列決策樹(shù)的組合。在臨床研究中，建立一個(gè)完美的決策樹(shù)是比較困難的，因?yàn)橐恍┡c結(jié)果相關(guān)的因素尚不知曉，故不能輸入模型進(jìn)行訓(xùn)練。因此，RF 模型會(huì)利用許多的決策樹(shù)對(duì)結(jié)果進(jìn)行推斷。盡管給定的決策樹(shù)不可能完全準(zhǔn)確，但大多數(shù)的決策樹(shù)都會(huì)圍繞正確的結(jié)果進(jìn)行判斷。另一方面，RF 將輸入的數(shù)據(jù)置于更高維度的空間中，使區(qū)分差異更加簡(jiǎn)單化。作為監(jiān)督學(xué)習(xí)的方法，研究人員可以根據(jù)經(jīng)驗(yàn)對(duì)圖像或者其他類型的數(shù)據(jù)進(jìn)行標(biāo)記，然后建立模型，進(jìn)而來(lái)預(yù)測(cè)一組新的數(shù)據(jù)集的結(jié)果。若沒(méi)有明確的結(jié)果標(biāo)簽，可以采用無(wú)監(jiān)督學(xué)習(xí)（如聚類分析）來(lái)尋找數(shù)據(jù)內(nèi)部本身的聯(lián)系。

1.3 DL DL 是ML 的一種，源自于人工神經(jīng)網(wǎng)絡(luò)。與人類大腦神經(jīng)元的構(gòu)成類似，深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNN）由許多神經(jīng)元或節(jié)點(diǎn)組成，節(jié)點(diǎn)間根據(jù)不同的權(quán)重在多層網(wǎng)絡(luò)之間互相連接。在不同的卷積層之間，模型以不同方式來(lái)處理輸入的特征，探究節(jié)點(diǎn)間的內(nèi)在規(guī)律，直到輸出層輸出最后的判斷結(jié)果[5]。DL 模型可根據(jù)反向傳播誤差的反饋，自動(dòng)改變每個(gè)節(jié)點(diǎn)的權(quán)重，來(lái)實(shí)現(xiàn)輸出結(jié)果，在一定程度上模型有了更多“自主權(quán)”，內(nèi)部的特征以及想要得到的輸出結(jié)果留給模型本身來(lái)處理，所以內(nèi)部學(xué)習(xí)過(guò)程是一種“黑匣子”。目前，文獻(xiàn)中大多使用的DL 方法都屬于監(jiān)督學(xué)習(xí)（有標(biāo)簽的），無(wú)監(jiān)督的模型較少，且主要用于提高影像質(zhì)量或生成影像?？偟膩?lái)說(shuō)，強(qiáng)大的運(yùn)算能力與豐富的高質(zhì)量數(shù)據(jù)是構(gòu)建成功AI 模型的基石。

2 AI 在心血管CT 成像中的應(yīng)用

2.1 優(yōu)化冠狀動(dòng)脈CTA（CCTA）影像質(zhì)量 心血管成像質(zhì)量與病人體質(zhì)量指數(shù)（BMI）相關(guān)。在保證客觀影像質(zhì)量不變的條件下，隨著B(niǎo)MI 增加，輻射劑量也會(huì)逐漸增加。降低輻射劑量的措施包括優(yōu)化管電壓（kV）、管電流（mA）與改進(jìn)重建算法等。幾乎所有的CT 生產(chǎn)商都提供迭代重建算法來(lái)降低CCTA過(guò)程中的偽影與噪聲[6]。隨著AI 算法的不斷優(yōu)化，在減低輻射的同時(shí)也能保證影像質(zhì)量，而且能大幅縮短影像重建等待時(shí)間，現(xiàn)已達(dá)到幾乎可以實(shí)時(shí)重建的水平。Green 等[7]研究發(fā)現(xiàn)，使用全卷積神經(jīng)網(wǎng)絡(luò)可以有效降低低劑量采集影像中的噪聲。Wolterink 等[8]提出將卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）與對(duì)抗CNN 結(jié)合，從低劑量心臟CT 上模擬出類似常規(guī)劑量所得到的影像，以此來(lái)降低輻射劑量；此實(shí)驗(yàn)共納入28 例同時(shí)經(jīng)過(guò)20%標(biāo)準(zhǔn)劑量及標(biāo)準(zhǔn)劑量的2 次心臟CT 掃描病人，結(jié)果表明上述方法可以將低劑量心臟CT 影像模擬成類似標(biāo)準(zhǔn)劑量CT 影像。

目前已有多種DL 技術(shù)可用于改善影像質(zhì)量[9-12]，有的還可用于減少運(yùn)動(dòng)偽影，由此可知AI 技術(shù)具有在心血管影像領(lǐng)域運(yùn)用的潛力。

2.2 心血管組織自動(dòng)分割 心血管病在發(fā)病前就可能會(huì)有心臟結(jié)構(gòu)或者功能的改變。準(zhǔn)確識(shí)別心臟結(jié)構(gòu)及功能變化有助于早期診斷和掌握疾病的進(jìn)展。但是，醫(yī)師在利用一些半自動(dòng)軟件勾畫組織結(jié)構(gòu)輪廓時(shí)，通常會(huì)存在一些主觀差異，并且手動(dòng)勾畫耗時(shí)、費(fèi)力。目前有許多AI 技術(shù)已用于心血管組織的識(shí)別與自動(dòng)分割，并且取得了不錯(cuò)的效果。例如，Baskaran 等[13]設(shè)計(jì)了一種端對(duì)端的 DL 模型，可自動(dòng)分割心腔容積和左心室的心肌質(zhì)量，結(jié)果表明模型分割結(jié)果與醫(yī)師手動(dòng)勾畫輪廓有很好的一致性，且僅需要13 s 左右就可以自動(dòng)完成分割，極大減輕了工作負(fù)荷。AI 除了能夠分割心腔與心肌，還在分割心外膜脂肪方面也取得了較好的效果[14-15]。Commandeur 等[16]利用多中心包含850 例病人冠狀動(dòng)脈鈣化積分的數(shù)據(jù)集，采用DL 方法分割心外膜脂肪組織，結(jié)果表明DL 方法可以自動(dòng)且快速準(zhǔn)確地分割心外膜脂肪，其結(jié)果與有經(jīng)驗(yàn)的閱片者結(jié)論相似。相信未來(lái)許多需要醫(yī)師手動(dòng)操作的工作可以由AI 替代完成。

2.3 計(jì)算冠狀動(dòng)脈鈣化積分（coronary artery calcium scoring，CACS） 冠狀動(dòng)脈鈣化是 CAD 的一個(gè)標(biāo)志，量化CACS 有助于預(yù)測(cè)CAD 病人未來(lái)心臟不良事件[17]。臨床上，CACS 通常由放射科醫(yī)生手動(dòng)測(cè)量。由于醫(yī)生主觀經(jīng)驗(yàn)的差異，CACS 測(cè)量存在觀察者間的差異，且測(cè)量工作也會(huì)消耗大量時(shí)間。目前AI 技術(shù)可以克服上述缺點(diǎn)，快速且精確計(jì)算CACS。例如，Isgum 等[18]提出在非門控低劑量胸部CT 平掃影像上，首先利用multi-atlas 技術(shù)構(gòu)建冠狀動(dòng)脈鈣化概率圖，然后使用模式識(shí)別系統(tǒng)識(shí)別鈣化的特征，最后自動(dòng)計(jì)算鈣化積分，該方法檢測(cè)敏感度為79.2%。除了上述基于傳統(tǒng)的ML 算法外，近年來(lái)一些基于DL 的算法也被用于自動(dòng)計(jì)算CACS，并且結(jié)果與醫(yī)師手動(dòng)測(cè)量的結(jié)果有著較好的一致性。例如，Martin 等[19]評(píng)估了一種基于 CNN 的模型，用于平掃心臟CT 影像上自動(dòng)進(jìn)行冠狀動(dòng)脈鈣化評(píng)分，結(jié)果表明該模型與參考標(biāo)準(zhǔn)之間有著很高的一致性。另有研究者使用DL 方法在自動(dòng)計(jì)算鈣化積分方面也取得了良好的效果[20-23]。盡管上述方法在單中心數(shù)據(jù)集上表現(xiàn)良好，但針對(duì)不同CT 機(jī)型中的鈣化檢測(cè)性能尚未得到充分評(píng)估。最近，van Velzen 等[24]使用2 個(gè)連續(xù)的CNN 自動(dòng)計(jì)算各種CT機(jī)型的CACS，同時(shí)以手動(dòng)計(jì)算得到的CACS 作為參考標(biāo)準(zhǔn)，DL 模型的組內(nèi)相關(guān)系數(shù)為0.79~0.97，表明DL 方法在計(jì)算不同CT 機(jī)型的CACS 方面有穩(wěn)定表現(xiàn)。這些用于計(jì)算CACS 的自動(dòng)化方法可顯著減少醫(yī)師的時(shí)間成本并減少臨床醫(yī)生之間的主觀差異。

2.4 冠狀動(dòng)脈狹窄的自動(dòng)化識(shí)別與檢測(cè) CCTA可以直觀顯示冠狀動(dòng)脈狹窄程度與斑塊特征，已被推薦作為穩(wěn)定性胸痛病人的一線檢查方法。但是，由于鈣化性病變的部分容積效應(yīng)，會(huì)造成狹窄程度的高估。此外，閱片時(shí)間及不同醫(yī)師間主觀差異也是目前需要解決的問(wèn)題。如今，AI 不但可以快速識(shí)別冠狀動(dòng)脈狹窄，有助于醫(yī)生對(duì)冠狀動(dòng)脈狹窄進(jìn)行評(píng)估，同時(shí)也解決了閱片時(shí)間和主觀差異的難題。近期Liu 等[25]評(píng)估了一種基于DL 的冠狀動(dòng)脈后處理及狹窄的自動(dòng)識(shí)別模型，結(jié)果表明，對(duì)于經(jīng)驗(yàn)不足的放射科醫(yī)生，該DL 模型可以顯著提高其識(shí)別冠狀動(dòng)脈狹窄的準(zhǔn)確性，并大幅縮短影像后處理及醫(yī)師閱片的時(shí)間。Arnoldi 等[26]利用一種計(jì)算機(jī)輔助算法來(lái)檢測(cè)CCTA 上的冠狀動(dòng)脈狹窄，結(jié)果顯示以有創(chuàng)冠狀動(dòng)脈造影（invasive coronary angiography,ICA）為參考標(biāo)準(zhǔn)，該算法識(shí)別狹窄程度＞50%的準(zhǔn)確度為74%。隨后，有研究[27-28]陸續(xù)開(kāi)發(fā)了自動(dòng)檢測(cè)冠狀動(dòng)脈狹窄的算法，但特異性相對(duì)較低。Kang等[29]利用ML 方法同時(shí)檢測(cè)阻塞性病變（≥50%）與非阻塞性病變（25%~50%），以3 位醫(yī)生評(píng)估的結(jié)果作為參考標(biāo)準(zhǔn)，該算法的曲線下面積（AUC）為0.94。目前，國(guó)內(nèi)已有獲得國(guó)家藥品監(jiān)督管理局批準(zhǔn)的血管狹窄輔助診斷軟件，表明AI 可在輔助診斷中發(fā)揮作用，相信AI 將會(huì)在該領(lǐng)域有更多的突破。

2.5 基于AI 的CT 血流儲(chǔ)備分?jǐn)?shù)（CT- derived fractional flow reserve，F(xiàn)FRCT）技術(shù) 冠狀動(dòng)脈血流儲(chǔ)備分?jǐn)?shù)（fractional flow reserve,FFR）指的是冠狀動(dòng)脈存在狹窄時(shí)最大心肌血流量與其理論正常最大血流量之比，被認(rèn)為是評(píng)估心肌缺血的“金標(biāo)準(zhǔn)”。與ICA 相比，CCTA 在診斷冠狀動(dòng)脈狹窄等方面具有較高的敏感性與陰性預(yù)測(cè)值，但CCTA 提供解剖學(xué)特征，缺乏血流動(dòng)力學(xué)信息[30]。基于CCTA 的FFRCT技術(shù)可以一站式提供狹窄的解剖學(xué)及功能學(xué)信息。該技術(shù)運(yùn)用高級(jí)的計(jì)算流體力學(xué)（computational fluid dynamics，CFD）方法通過(guò)模擬計(jì)算最大充血狀態(tài)下的壓力值。但是，基于CFD 的FFRCT計(jì)算模型與基于AI 的FFRCT模型相比，運(yùn)算量大且計(jì)算時(shí)間較長(zhǎng)，數(shù)據(jù)需要遠(yuǎn)程傳輸?shù)街行膶?shí)驗(yàn)室完成。基于AI 的FFRCT模型通過(guò)對(duì)12 000 個(gè)具有不同狹窄程度的冠狀動(dòng)脈樹(shù)進(jìn)行學(xué)習(xí)，進(jìn)而得到不同形態(tài)的樣本。在生成每個(gè)冠狀動(dòng)脈樹(shù)之后，隨機(jī)將狹窄的冠狀動(dòng)脈放置在不同的血管分支之間。隨后，降維的CFD 模型被用來(lái)評(píng)估每根冠狀動(dòng)脈的流量和壓力分布，訓(xùn)練ML 模型了解狹窄的特征，最后使用CFD模型模擬計(jì)算得到任意處冠狀動(dòng)脈的FFR 值。一項(xiàng)多中心注冊(cè)研究[31]評(píng)估了基于AI 的FFRCT模型和基于CFD 的FFRCT的診斷效能，結(jié)果表明這2 種方法的診斷水平類似；以有創(chuàng)FFR 為參考標(biāo)準(zhǔn)，兩者AUC 值均為0.84。后續(xù)的實(shí)驗(yàn)研究[32]表明了基于AI的FFRCT模型在診斷病變特異性心肌缺血方面的價(jià)值。此外，也有研究[33]顯示基于AI 的FFRCT對(duì)于心肌橋病人有預(yù)測(cè)價(jià)值。FFRCT可以改變一部分基于傳統(tǒng)的依據(jù)狹窄程度所做出的臨床決策，提高ICA 的有效率，但其在臨床中的潛在價(jià)值需要進(jìn)一步探討[34]。

2.6 心肌缺血的識(shí)別 人眼無(wú)法直接從影像上評(píng)估心肌是否有缺血性改變，而AI 可以通過(guò)挖掘更多隱藏在影像里的信息來(lái)幫助醫(yī)生改變這一現(xiàn)狀。Hae 等[35]探究了使用ML 算法在靜息態(tài)CT 心肌灌注影像上能否改善僅基于狹窄程度所判定的心肌缺血的效能，研究納入了252 例行靜息態(tài)CT 心肌灌注檢查與有創(chuàng)FFR 測(cè)量的病人，結(jié)果表明，與肉眼評(píng)估CCTA 上的狹窄程度相比，ML 模型可以改善傳統(tǒng)的依據(jù)狹窄程度確定的心肌缺血診斷，凈分類改善指數(shù)為0.52。Xiong 等[36]使用AdaBoost 分類器開(kāi)發(fā)了一個(gè)新框架，從靜息態(tài)CT 心肌灌注影像中獲取3 個(gè)心肌特征（標(biāo)準(zhǔn)化心肌灌注密度、透壁灌注比及室壁厚度）對(duì)于預(yù)測(cè)阻塞CAD 的敏感度、特異度及準(zhǔn)確度分別為0.79、0.64、0.70。AI 除了可在靜息態(tài)CCTA 影像上預(yù)測(cè)心肌缺血外，在核醫(yī)學(xué)成像上也顯示出與醫(yī)生相當(dāng)?shù)乃絒37]。由此可見(jiàn)，盡管醫(yī)師肉眼識(shí)別心肌缺血改變的能力有限，但AI技術(shù)幫助其對(duì)心肌缺血進(jìn)行預(yù)測(cè)，彌補(bǔ)傳統(tǒng)方法學(xué)上的不足。

2.7 心血管事件的預(yù)測(cè) 現(xiàn)階段有多種傳統(tǒng)模型用于預(yù)測(cè)CAD 病人的心血管不良事件，但這些模型通常僅納入了有限的臨床與影像變量，對(duì)于變量之間的關(guān)聯(lián)及其他未能納入模型的變量未能充分評(píng)估。AI 可以彌補(bǔ)傳統(tǒng)統(tǒng)計(jì)模型的缺陷，綜合臨床、影像、病理、基因、影像組學(xué)等參數(shù)，構(gòu)建更加精準(zhǔn)的預(yù)測(cè)模型。例如，Ambale-Venkatesh 等[38]使用ML方法（隨機(jī)生存森林）對(duì)MESA 研究中的6 814 例無(wú)心血管病的參與者構(gòu)建心血管病的預(yù)測(cè)模型，結(jié)果表明，在預(yù)測(cè)心血管不良事件方面，ML 算法優(yōu)于傳統(tǒng)的風(fēng)險(xiǎn)預(yù)測(cè)模型。Motwani 等[39]利用ML 模型納入了CCTA 影像學(xué)參數(shù)及臨床參數(shù)預(yù)測(cè)可疑CAD 病人的5 年全因死亡率，結(jié)果表明，與單獨(dú)使用Framingham 風(fēng)險(xiǎn)評(píng)分或CCTA 嚴(yán)重程度評(píng)分相比，ML 模型預(yù)測(cè)全因死亡有更好的表現(xiàn)。van Rosendael等[40]使用基于CCTA 的狹窄程度與斑塊成分等參數(shù)，利用ML 方法可以更好地預(yù)測(cè)主要心臟不良事件。總之，相比傳統(tǒng)統(tǒng)計(jì)學(xué)所建立的預(yù)測(cè)模型，ML算法已表現(xiàn)出更好地預(yù)測(cè)病人未來(lái)事件的潛能。

3 AI 應(yīng)用的局限

由于心血管病病人數(shù)量龐大，AI 在心血管影像應(yīng)用方面具有重要的潛在價(jià)值。AI 模型的成功構(gòu)建需要高質(zhì)量的數(shù)據(jù)及強(qiáng)大的運(yùn)算力。缺乏上述2 個(gè)要素可能會(huì)使AI 在實(shí)際臨床應(yīng)用中出現(xiàn)下列問(wèn)題：①AI 模型的“黑匣子”問(wèn)題。這是影響臨床醫(yī)師解釋結(jié)果的一大難題。當(dāng)臨床醫(yī)生因不了解模型內(nèi)部結(jié)構(gòu)而做出有關(guān)病人生命的決策時(shí)，可能會(huì)造成一系列倫理問(wèn)題。②樣本量的問(wèn)題。在樣本量?jī)?yōu)先的情況下，AI 識(shí)別罕見(jiàn)病的能力可能不足。③過(guò)度擬合問(wèn)題。雖然模型針對(duì)納入研究的數(shù)據(jù)集有良好表現(xiàn)，但由于過(guò)度擬合，在用于不同醫(yī)院或不同設(shè)備以及不同掃描參數(shù)獲取的影像時(shí)，可能需要進(jìn)一步修改模型以適應(yīng)新的應(yīng)用環(huán)境。④AI 的魯棒性問(wèn)題。當(dāng)新的AI 模型建立后，需要嚴(yán)謹(jǐn)?shù)膶?shí)驗(yàn)（例如內(nèi)外部評(píng)估、多中心前瞻性臨床實(shí)驗(yàn)等）來(lái)評(píng)估其在真實(shí)世界中的表現(xiàn)，以避免發(fā)生嚴(yán)重不良事件。

4 展望

AI 將會(huì)進(jìn)一步促進(jìn)精準(zhǔn)醫(yī)學(xué)的發(fā)展。未來(lái)AI可將影像數(shù)據(jù)與病人的各類數(shù)據(jù)相結(jié)合，構(gòu)建更精準(zhǔn)的診斷或預(yù)測(cè)模型，以改善病人的預(yù)后。AI 相關(guān)的方法也應(yīng)該在臨床中進(jìn)行全面測(cè)試，以驗(yàn)證其性能，而不是僅限于開(kāi)發(fā)階段的測(cè)試。迄今為止，包括影像、血液樣本、電子健康記錄在內(nèi)的數(shù)據(jù)已經(jīng)廣泛可用，但是高質(zhì)量有精確標(biāo)記的數(shù)據(jù)卻很難獲得。與監(jiān)督學(xué)習(xí)方法相反，無(wú)監(jiān)督學(xué)習(xí)方法很少用于心臟影像領(lǐng)域。盡管AI 已廣泛應(yīng)用于醫(yī)療領(lǐng)域并有創(chuàng)新突破，但仍面臨著發(fā)展障礙。例如，法律法規(guī)對(duì)病人隱私數(shù)據(jù)的保護(hù)限制了數(shù)據(jù)的自由交換，這可能會(huì)限制AI 在全球范圍內(nèi)的應(yīng)用；各機(jī)構(gòu)之間缺乏標(biāo)準(zhǔn)化的醫(yī)療數(shù)據(jù)格式，可能會(huì)限制數(shù)據(jù)的有效利用。因此，未來(lái)需要一種安全、隱私保護(hù)的AI相關(guān)技術(shù)。更重要的是，在臨床使用過(guò)程中需要關(guān)注AI 實(shí)施的質(zhì)量控制。應(yīng)用AI 相關(guān)軟件時(shí)可能會(huì)出現(xiàn)誤診或漏診，以及系統(tǒng)錯(cuò)誤和不可重復(fù)的結(jié)果。因此，臨床醫(yī)生不能完全依賴AI 得到的結(jié)果，需要結(jié)合病人的具體情況和自身的經(jīng)驗(yàn)來(lái)考慮。實(shí)現(xiàn)AI 在心血管影像的自動(dòng)化應(yīng)用尚需要臨床醫(yī)生、病人及家屬、放射科醫(yī)生與計(jì)算機(jī)專家的共同努力。AI 是輔助醫(yī)生的診斷，而不是替代。

隨著AI 技術(shù)的發(fā)展，臨床醫(yī)生可以更好地利用這些數(shù)據(jù)，從而提高疾病診斷、風(fēng)險(xiǎn)分層和預(yù)后預(yù)測(cè)的準(zhǔn)確性，以實(shí)現(xiàn)精準(zhǔn)醫(yī)療這一目標(biāo)。但是，AI技術(shù)并非沒(méi)有局限，因此醫(yī)生和科學(xué)家應(yīng)該共同努力以最大限度地發(fā)揮其有效性。