凱賽爾江·卡地爾 艾克力亞爾·艾尼瓦爾 秦練 熱娜·熱合木丁 馬翔

(新疆醫(yī)科大學(xué)第一附屬醫(yī)院心臟中心，新疆 烏魯木齊 830054)

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，國(guó)民生活發(fā)生了巨大的改變，中國(guó)心血管病的患病人數(shù)在持續(xù)增加，其中冠心病是嚴(yán)重威脅生存健康的心血管疾病之一，并且其死亡率也呈上升趨勢(shì)[1]，冠心病的影像診斷一直是研究的熱門領(lǐng)域。冠心病的影像診斷發(fā)展迅速，通過(guò)計(jì)算機(jī)斷層掃描(computed tomography，CT)、心血管磁共振成像(cardiovascular magnetic resonance，CMR)和單光子發(fā)射計(jì)算機(jī)斷層掃描(single photon emission computed tomography，SPECT)等影像技術(shù)可制定精準(zhǔn)個(gè)體化診療方案，但影像數(shù)據(jù)的判讀結(jié)果受醫(yī)生水平、個(gè)體主觀因素和精力等問(wèn)題影響。隨著醫(yī)學(xué)大數(shù)據(jù)井噴式的增長(zhǎng)及數(shù)據(jù)共享時(shí)代的開啟，人工智能作為交叉學(xué)科在醫(yī)學(xué)領(lǐng)域發(fā)揮著越來(lái)越重要的作用，計(jì)算機(jī)輔助診斷模式提高了影像數(shù)據(jù)處理效率和診斷準(zhǔn)確性?，F(xiàn)就人工智能中的研究熱點(diǎn)技術(shù)深度學(xué)習(xí)(deep learning，DL)在冠心病影像學(xué)診斷中的應(yīng)用進(jìn)行綜述，為該領(lǐng)域進(jìn)一步深入研究提供參考。

1 DL概述

DL是機(jī)器學(xué)習(xí)的子集，模擬了人腦神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制，通過(guò)一系列不斷增加的抽象層來(lái)學(xué)習(xí)數(shù)據(jù)的特征。DL算法類型包括：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)[2]，前二者之間的區(qū)別在于數(shù)據(jù)是否被人工注釋，其中監(jiān)督學(xué)習(xí)模型卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)是醫(yī)學(xué)圖像處理領(lǐng)域最受歡迎的架構(gòu)[3]。DL與強(qiáng)化學(xué)習(xí)結(jié)合的交互式網(wǎng)絡(luò)深度強(qiáng)化學(xué)習(xí)是目前最前沿的技術(shù)，它使學(xué)習(xí)主體與環(huán)境互動(dòng)獲取獎(jiǎng)勵(lì)或懲罰來(lái)實(shí)現(xiàn)最大化獲益，同時(shí)具備感知和決策能力。深度強(qiáng)化網(wǎng)絡(luò)更接近人類思維方式，被視為實(shí)現(xiàn)人工智能的重要途徑，在神經(jīng)科學(xué)領(lǐng)域已展現(xiàn)出了廣泛的研究潛力[4]。

DL算法通常由一個(gè)或多個(gè)中間層組成，中間層使網(wǎng)絡(luò)變得“深入”，可認(rèn)為它通過(guò)組合低層數(shù)據(jù)形成更加抽象的高層數(shù)據(jù)，以發(fā)現(xiàn)數(shù)據(jù)的特征。人工神經(jīng)網(wǎng)絡(luò)的每一層都由“神經(jīng)元”的排列組成，每一層都將一組加權(quán)值作為輸入，并將它們轉(zhuǎn)換為單個(gè)輸出值，然后將結(jié)果傳遞給后續(xù)層中的“神經(jīng)元”，可理解為中間層允許人工神經(jīng)網(wǎng)絡(luò)通過(guò)連續(xù)提取更高級(jí)別的數(shù)據(jù)并將其傳遞給后續(xù)層來(lái)了解輸入和輸出之間的非線性關(guān)系。DL算法必須通過(guò)訓(xùn)練才能發(fā)現(xiàn)數(shù)據(jù)特征，第一層的輸入值通常由人工選擇，算法最初的權(quán)重也是隨機(jī)化的，經(jīng)過(guò)大量數(shù)據(jù)的訓(xùn)練，反復(fù)修改節(jié)點(diǎn)之間連接的權(quán)重最終在輸出層產(chǎn)出期望的結(jié)果。

在過(guò)去的十年里，DL發(fā)展迅速，在計(jì)算機(jī)視覺(jué)處理、生物信息和醫(yī)學(xué)圖像分析等各個(gè)領(lǐng)域都表現(xiàn)出了優(yōu)異的性能。DL與支持向量機(jī)和隨機(jī)森林等傳統(tǒng)機(jī)器學(xué)習(xí)算法的關(guān)鍵區(qū)別在于，其可自動(dòng)學(xué)習(xí)數(shù)據(jù)的特征，而不需人工干預(yù)[5]。因此，它特別適用于大量復(fù)雜數(shù)據(jù)集的科學(xué)領(lǐng)域。

2 基于CT的應(yīng)用

CT已成為冠心病診斷的重要手段，但影像數(shù)據(jù)判讀過(guò)程復(fù)雜耗時(shí)，診斷結(jié)果缺乏客觀性，醫(yī)生的失誤和疲勞也容易造成誤診和漏診，人工智能DL技術(shù)克服了以上的局限性。DL在CT的應(yīng)用主要包括：圖像質(zhì)量?jī)?yōu)化及分割、計(jì)算機(jī)輔助診斷技術(shù)等，以下作簡(jiǎn)單介紹(表1)。

表1 DL在冠心病CT診斷中的應(yīng)用

2.1 圖像降噪和偽影校正

冠狀動(dòng)脈CT血管成像(cardiac CT angiography，CCTA)，通過(guò)3D重建心臟結(jié)構(gòu)和冠狀動(dòng)脈走行，清晰顯示血管病理改變，已被廣泛應(yīng)用于冠心病的診斷，但其造成的過(guò)量輻射問(wèn)題引發(fā)了對(duì)于過(guò)度使用該項(xiàng)技術(shù)的擔(dān)憂[22]。因此，迫切需低輻射劑量CCTA應(yīng)用于冠心病的診斷，迭代重建技術(shù)作出了初步嘗試并且大幅降低了輻射劑量[23]。然而，輻射劑量的進(jìn)一步降低會(huì)使圖像噪聲增加從而導(dǎo)致圖像質(zhì)量的下降，影響診斷結(jié)果。Liu等[6]的一項(xiàng)前瞻性研究顯示，生成式對(duì)抗網(wǎng)絡(luò)能明顯降低圖像噪聲，采用80 kVp的心電門控CCTA圖像質(zhì)量與采用100 kVp時(shí)相當(dāng)，并且處理速度快于迭代重建技術(shù)。Benz等[7]比較了基于CCTA的DL圖像重建和自適應(yīng)統(tǒng)計(jì)迭代重建，前者降低了43%的圖像噪聲，同時(shí)提高了138%的圖像質(zhì)量，以冠狀動(dòng)脈造影為參考標(biāo)準(zhǔn)時(shí)，診斷準(zhǔn)確度無(wú)顯著統(tǒng)計(jì)學(xué)差異。Hong等[8]修改了傳統(tǒng)模型的U-Net結(jié)構(gòu)，通過(guò)減少卷積濾波器的數(shù)量和采用批歸一化技術(shù)改進(jìn)的CNN模型更加適應(yīng)圖像去噪的目的，防止過(guò)擬合的同時(shí)解決了梯度彌散的問(wèn)題，提高了模型的穩(wěn)健性。其利用改良CNN模型的去噪性能，將其應(yīng)用于低劑量CCTA圖像的迭代重建，邊緣響應(yīng)函數(shù)從最終像素強(qiáng)度的10%上升到90%所需的距離明顯降低，圖像質(zhì)量顯著提高。以上研究表明利用DL技術(shù)的圖像質(zhì)量?jī)?yōu)化性能，通過(guò)極低輻射劑量的CCTA診斷冠心病成為可能。

CCTA中心臟跳動(dòng)引起的偽影會(huì)干擾冠狀動(dòng)脈疾病的檢測(cè)和診斷，并使后續(xù)制定臨床治療決策變得困難(圖1所示)。Lossau等[9]將基于心電門控CCTA數(shù)據(jù)的冠狀動(dòng)脈運(yùn)動(dòng)偽影，采用運(yùn)動(dòng)補(bǔ)償濾波反投影算法校正去除，以此訓(xùn)練的CNN模型在識(shí)別運(yùn)動(dòng)偽影準(zhǔn)確度達(dá)到93.3%±1.8%，卷積回歸網(wǎng)絡(luò)預(yù)測(cè)偽影運(yùn)動(dòng)水平平均絕對(duì)誤差為1.12±0.07。Jung等[10]通過(guò)裁剪存在偽影的原始4D CT圖像，應(yīng)用跨相轉(zhuǎn)換的方法校正偽影，以此獲得的2D無(wú)偽影圖像數(shù)據(jù)庫(kù)訓(xùn)練超分辨率深度網(wǎng)絡(luò)模型。該模型結(jié)合了CNN和殘差學(xué)習(xí)的優(yōu)點(diǎn)，具有穩(wěn)健的性能和較快的收斂速度。其研究克服了如何獲得無(wú)偽影的CCTA圖像數(shù)據(jù)的問(wèn)題，所構(gòu)建的模型能有效校正運(yùn)動(dòng)偽影，使冠狀動(dòng)脈邊界更加清晰，具有很強(qiáng)的觀察者間一致性。

注:紅框所示為CCTA中冠狀動(dòng)脈顯影時(shí)隨著心臟跳動(dòng)引起的偽影,使冠狀動(dòng)脈邊界模糊。圖1 運(yùn)動(dòng)偽影

2.2 圖像分割

冠狀動(dòng)脈分割在冠心病臨床診斷、血流動(dòng)力學(xué)仿真以及血管解剖結(jié)構(gòu)分析等研究中至關(guān)重要，但邊界追蹤法、區(qū)域生長(zhǎng)法等傳統(tǒng)的冠狀動(dòng)脈分割方法工作量大、主觀性強(qiáng)、分割精度有待提高。DL算法在圖像分割上有著獨(dú)到的優(yōu)勢(shì)，能高效、自動(dòng)化地完成任務(wù)。Xiao等[11]利用U-Net網(wǎng)絡(luò)模型和中心線提取技術(shù)用于冠狀動(dòng)脈分割，可為醫(yī)生提供冠狀動(dòng)脈的3D可視化圖像，方便醫(yī)生的診斷和制定治療方案，但在圖像細(xì)節(jié)處理方面需改進(jìn)。由左心室CCTA形態(tài)學(xué)分析獲得的左心室心肌質(zhì)量、左心室容積以及射血分?jǐn)?shù)等參數(shù)對(duì)冠心病的診斷和預(yù)后十分重要。Jun等[12]開發(fā)的U-Net算法實(shí)現(xiàn)了CCTA圖像左心室輪廓分割，模型性能達(dá)到專家水平，Dice相似性系數(shù)為91.6%，為影像形態(tài)學(xué)和病理學(xué)分析提供了潛在的模型支持。He等[13]和Commandeur等[14]基于DL模型高精度地分割了心外膜脂肪組織，其量化方法對(duì)改善冠心病風(fēng)險(xiǎn)分層和預(yù)測(cè)主要心血管不良事件具有重要意義。

2.3 血流儲(chǔ)備分?jǐn)?shù)的應(yīng)用

侵入性冠狀動(dòng)脈造影聯(lián)合血流儲(chǔ)備分?jǐn)?shù)(fractional flow reserve，F(xiàn)FR)是診斷冠心病的“金標(biāo)準(zhǔn)”，后者能有效反映心肌缺血程度，是血流動(dòng)力學(xué)評(píng)估指標(biāo)，但FFR的有創(chuàng)性、操作難及費(fèi)用高等問(wèn)題限制了這項(xiàng)技術(shù)的發(fā)展[24]。一些文獻(xiàn)已報(bào)道，人工智能DL算法無(wú)需侵入性冠狀動(dòng)脈造影，僅通過(guò)CCTA就可無(wú)創(chuàng)獲取FFR值。Wang等[15]利用多層神經(jīng)網(wǎng)絡(luò)和雙向遞歸神經(jīng)網(wǎng)絡(luò)作為算法結(jié)構(gòu)體系開發(fā)了DEEPVESSEL-FFR在線平臺(tái)，能在5 min內(nèi)半自動(dòng)化獲取基于CCTA重建的冠狀動(dòng)脈樹FFR的分布，該模型是無(wú)創(chuàng)評(píng)估冠狀動(dòng)脈狹窄缺血風(fēng)險(xiǎn)的有效方法，在臨床上適用于冠心病篩查，但該前瞻性研究納入的患者數(shù)量較少，需更進(jìn)一步研究來(lái)驗(yàn)證診斷準(zhǔn)確度。Kumamaru等[16]構(gòu)建的DL模型可通過(guò)未分割和重建的CCTA數(shù)據(jù)自動(dòng)化獲取FFR，技術(shù)關(guān)鍵在于使用生成式對(duì)抗網(wǎng)絡(luò)和3D CNN網(wǎng)絡(luò)自動(dòng)提取圖像特征，虛擬對(duì)抗訓(xùn)練正則化方法減少過(guò)擬合，檢測(cè)異常FFR準(zhǔn)確度為76%。Zreik等[17]通過(guò)提取CCTA冠狀動(dòng)脈中心線，對(duì)動(dòng)脈血管容積進(jìn)行多平面重建，使用兩個(gè)不相交自動(dòng)編碼器執(zhí)行動(dòng)脈體積和固定長(zhǎng)度編碼。支持向量機(jī)將編碼作為標(biāo)簽，以FFR為參考標(biāo)準(zhǔn)，判斷其是否存在功能上的顯著狹窄來(lái)篩查需侵入性冠狀動(dòng)脈造影的患者。DL算法為基于CCTA的無(wú)創(chuàng)FFR測(cè)定提供了技術(shù)支持，形態(tài)學(xué)和功能學(xué)的結(jié)合也有助于提高其在冠心病診斷上的準(zhǔn)確性。

2.4 冠狀動(dòng)脈鈣化的應(yīng)用

冠狀動(dòng)脈鈣化是預(yù)測(cè)冠心病患者不良心血管事件的獨(dú)立危險(xiǎn)因素之一，其鈣化程度通常由心臟CT平掃進(jìn)行定量檢測(cè)，表示為冠狀動(dòng)脈鈣化積分(coronary artery calcium score，CACS)[25]。van den Oever等[18]構(gòu)建的CNN模型能識(shí)別86%冠狀動(dòng)脈鈣化陰性的心臟CT平掃檢查結(jié)果，大幅減輕了醫(yī)生的工作量。Lessmann等[19]基于低劑量胸部CT的CNN模型能自動(dòng)檢測(cè)冠狀動(dòng)脈、胸主動(dòng)脈和心臟瓣膜的鈣化，在肺癌篩查的同時(shí)能間接評(píng)估患者心血管疾病風(fēng)險(xiǎn)從而降低篩查成本。Zhang等[20]用基于DL的血管分割模型和回歸預(yù)測(cè)模型實(shí)現(xiàn)了冠狀動(dòng)脈整體水平和單一血管特異水平的CACS準(zhǔn)確量化，與專家評(píng)估結(jié)果具有一致性。van Velzen等[21]的研究驗(yàn)證了CNN模型在多種CT掃描方案中評(píng)估CACS的性能，而不只是局限于心臟CT平掃，具有普適性。DL模型在冠狀動(dòng)脈鈣化檢測(cè)上的應(yīng)用為冠心病風(fēng)險(xiǎn)分層和預(yù)后預(yù)測(cè)提供了新的研究方向。

3 基于其他影像技術(shù)的應(yīng)用

3.1 CMR的應(yīng)用

CMR具有安全無(wú)電離輻射等特點(diǎn)，利用對(duì)比劑通過(guò)心肌引起的信號(hào)改變，可直接反映心肌組織的血流灌注情況，應(yīng)用于冠心病心肌缺血的診斷。Tan等[26]利用短軸和長(zhǎng)軸掃描的CMR圖像，構(gòu)建全自動(dòng)CNN算法分割了從心尖至心底的左心室心肌，覆蓋了完整的心臟時(shí)相，無(wú)需放射科醫(yī)師手動(dòng)勾畫，就能獲取左心室結(jié)構(gòu)和功能指標(biāo)。Hosseini等[27]提出的SPIRiT-RAKI技術(shù)，利用添加稀疏正則化模塊的非線性增強(qiáng)自洽CNN算法，縮短了CMR冠狀動(dòng)脈成像時(shí)間。Scannell等[28]構(gòu)建了CNN模型用于CMR圖像的預(yù)處理，包括心肌的分割、心肌灌注定量等，其顯示出圖像數(shù)據(jù)處理的高精確度，得到與人工讀圖相似的量化值并且所需時(shí)間更短。上述研究結(jié)果提示，基于DL的CMR通過(guò)圖像分割、加速成像等手段可快速準(zhǔn)確地診斷冠心病并且評(píng)估心功能。Zhang等[29]的文獻(xiàn)報(bào)道使用DL技術(shù)可在無(wú)需注射釓對(duì)比劑的前提下，通過(guò)CMR來(lái)識(shí)別陳舊性心肌梗死并且構(gòu)建瘢痕輪廓，該方法有助于評(píng)估冠心病合并腎臟疾病患者心肌梗死的病情進(jìn)展及預(yù)后。

3.2 SPECT的應(yīng)用

SPECT利用示蹤劑在心臟內(nèi)的分布特性進(jìn)行心肌灌注評(píng)估，應(yīng)用于冠狀動(dòng)脈阻塞的識(shí)別。SPECT圖像通常由影像學(xué)專家通過(guò)視覺(jué)評(píng)估判讀，讀圖結(jié)果將直接影響心肌灌注成像的量化[30]。Kaplan Berkaya等[31]將DL和先驗(yàn)知識(shí)算法融合構(gòu)建了SPECT計(jì)算機(jī)輔助診斷模型，以識(shí)別心肌灌注異常(心肌缺血和/或阻塞)，結(jié)果顯示模型的最大準(zhǔn)確度、靈敏度和特異度分別為94%、88%和100%，使用DL技術(shù)輔助臨床診斷，有助于提高讀圖結(jié)果的客觀性，從而提高診斷效能。2018年，Betancur等[32]開展了一項(xiàng)多中心的研究，來(lái)評(píng)估DL模型在SPECT心肌灌注成像自動(dòng)診斷冠狀動(dòng)脈梗阻性疾病的能力，結(jié)果顯示其在患者水平和血管水平均優(yōu)于傳統(tǒng)評(píng)價(jià)指標(biāo)——總灌注缺損。2019年，Betancur等[33]進(jìn)一步研究發(fā)現(xiàn)使用DL聯(lián)合量化半直立位和仰臥位兩種體位下SPECT心肌灌注成像結(jié)果，可有效減輕衰減偽影，有助于提高診斷效能。Otaki等[34]構(gòu)建的基于SPECT心肌灌注成像的DL模型，在診斷冠狀動(dòng)脈梗阻性疾病方面，顯著超過(guò)了總灌注缺損和專家視覺(jué)讀圖的準(zhǔn)確率。該模型的優(yōu)勢(shì)在于利用加權(quán)梯度類激活映射的方法解釋模型來(lái)克服“黑匣子”診斷的問(wèn)題，能向醫(yī)生突出顯示對(duì)診斷有貢獻(xiàn)的心肌區(qū)域，并且模型可集成到臨床軟件中，診斷時(shí)間<12 s。Liu等[35]使用37 243例單純負(fù)荷心肌灌注圖像構(gòu)建的CNN模型準(zhǔn)確診斷冠心病，該模型的受試者操作特征曲線下面積明顯高于傳統(tǒng)的負(fù)荷灌注缺損面積的方法。

3.3 光學(xué)相干斷層掃描的應(yīng)用

光學(xué)相干斷層掃描(optical coherence tomography，OCT)具有更高的分辨率，可直觀顯示血管內(nèi)壁的病理改變，其正成為識(shí)別冠狀動(dòng)脈斑塊的方法之一。Gessert等[36]采用圖像處理領(lǐng)域最先進(jìn)的DL框架ResNet50-V2和DenseNet121，使用笛卡爾坐標(biāo)進(jìn)行圖像數(shù)據(jù)增強(qiáng)，遷移學(xué)習(xí)技術(shù)提高模型學(xué)習(xí)效率，實(shí)現(xiàn)OCT冠狀動(dòng)脈斑塊的檢測(cè)和分類，組合模型表現(xiàn)出最佳性能，準(zhǔn)確度為91.7%，靈敏度為90.9%，特異度為92.4%。Gharaibeh等[37]通過(guò)CNN模型分割了血管管腔和鈣化斑塊，量化了鈣化斑塊的鈣化深度、角度和厚度等屬性，其性能達(dá)到了專家級(jí)水平。Liu等[38]將研究重點(diǎn)放在了纖維斑塊的識(shí)別，構(gòu)建的CNN模型在魯棒性和準(zhǔn)確性上展現(xiàn)出優(yōu)勢(shì)。以上研究表明，DL在OCT斑塊檢測(cè)及臨床輔助診斷系統(tǒng)中的應(yīng)用具有可行性。

3.4 超聲心動(dòng)圖的應(yīng)用

超聲心動(dòng)圖是一種應(yīng)用于評(píng)價(jià)冠心病患者節(jié)段性室壁運(yùn)動(dòng)異常的無(wú)創(chuàng)性影像檢查方法，與其他影像學(xué)檢測(cè)一樣，其檢測(cè)結(jié)果也依賴于醫(yī)生主觀分析，容易產(chǎn)生誤讀。Kusunose等[39]的研究實(shí)現(xiàn)了CNN在超聲心動(dòng)圖領(lǐng)域能自動(dòng)診斷心肌缺血，并能區(qū)分出心肌梗死的區(qū)域。Ouyang等[40]提出了基于超聲心動(dòng)圖視頻數(shù)據(jù)的DL算法EchoNet-Dynamic，利用多個(gè)心臟周期的視頻信息，可完成分割左心室、計(jì)算射血分?jǐn)?shù)和評(píng)估心功能等關(guān)鍵任務(wù)，在外部驗(yàn)證數(shù)據(jù)集中，預(yù)測(cè)射血分?jǐn)?shù)平均絕對(duì)誤差為6.0%，識(shí)別射血分?jǐn)?shù)降低性心力衰竭曲線下面積為0.96。Huang等[41]構(gòu)建了多級(jí)神經(jīng)網(wǎng)絡(luò)，首先使用CNN模型用于超聲心動(dòng)圖高質(zhì)量視圖分類，其次U-Net模型對(duì)圖像進(jìn)行分割，標(biāo)注每個(gè)左心室壁的位置，最終的CNN模型評(píng)估局部室壁運(yùn)動(dòng)異常，創(chuàng)新點(diǎn)在于本研究是對(duì)超聲心動(dòng)圖的動(dòng)態(tài)視頻進(jìn)行分析，涵蓋了空間和時(shí)間信息，并且進(jìn)行了外部驗(yàn)證，該方法為后續(xù)相關(guān)研究提供了多元化的思路。

4 小結(jié)與展望

DL在冠心病的影像學(xué)診斷領(lǐng)域表現(xiàn)出了優(yōu)越的性能，超越了傳統(tǒng)的診療手段，可很大程度地幫助醫(yī)生提高診斷效率，明顯提升了診斷的標(biāo)準(zhǔn)性和客觀性，作為一項(xiàng)輔助臨床決策的技術(shù)，有利于冠心病的大面積篩查。在一些影像圖像的分析中，DL的某些表現(xiàn)可與該領(lǐng)域的專家相媲美，其對(duì)縮小不同資歷醫(yī)生之間的差距有一定價(jià)值。DL不僅能緩解醫(yī)院的診療壓力，而且將會(huì)解決醫(yī)療資源分配不均的問(wèn)題，尤其適用于醫(yī)療水平欠發(fā)達(dá)的基層醫(yī)院，但將DL技術(shù)應(yīng)用于臨床上還存在一些問(wèn)題：(1)低質(zhì)量和小樣本的數(shù)據(jù)會(huì)導(dǎo)致結(jié)果出現(xiàn)偏差；(2)數(shù)據(jù)標(biāo)注需多位專業(yè)人士完成，標(biāo)注過(guò)程成本高和時(shí)間長(zhǎng)；(3)模型對(duì)于特殊性、復(fù)雜性數(shù)據(jù)樣本識(shí)別能力差；(4)大多數(shù)心血管醫(yī)生對(duì)于模型算法認(rèn)識(shí)還不夠清楚，利用“黑匣子”下診斷與醫(yī)學(xué)倫理相違背；(5)模型在特定數(shù)據(jù)中訓(xùn)練，對(duì)其他數(shù)據(jù)兼容性差。隨著國(guó)內(nèi)外醫(yī)學(xué)數(shù)據(jù)庫(kù)的完善和數(shù)據(jù)共享的加強(qiáng)，通過(guò)標(biāo)準(zhǔn)、規(guī)范和權(quán)威的數(shù)據(jù)實(shí)現(xiàn)算法的進(jìn)一步優(yōu)化，DL技術(shù)有著很大的研究和臨床應(yīng)用潛力。