何斌 儲(chǔ)慧民

房顫是最常見(jiàn)的心律失常,可增加腦卒中、心力衰竭及死亡風(fēng)險(xiǎn)[1],其早期識(shí)別、診斷和治療仍存在一定挑戰(zhàn)。 傳統(tǒng)的篩查手段具有較大局限性,大大低估了房顫的患病率。 近年來(lái),隨著監(jiān)測(cè)技術(shù)的不斷進(jìn)步,房顫人群基數(shù)越來(lái)越大;醫(yī)生需要面對(duì)大量患者的臨床數(shù)據(jù)(包括用藥信息等),并基于這些資料為他們制定個(gè)體化的治療方案,但運(yùn)用傳統(tǒng)的統(tǒng)計(jì)學(xué)工具處理大數(shù)據(jù)存在較大難度。 人工智能(artificial intelligence,AI)算法能很好地彌補(bǔ)上述缺陷,近年來(lái)開(kāi)始在房顫診療領(lǐng)域嶄露頭角。

1 常用的人工智能技術(shù)

AI 是計(jì)算機(jī)科學(xué)的一個(gè)分支,是使機(jī)器模仿人類智力處理問(wèn)題,包括機(jī)器學(xué)習(xí)(machine learning,ML)和深度學(xué)習(xí)(deep learning, DL)等。 AI 的工作模式見(jiàn)圖1。

圖1 人工智能的工作模式示意圖

ML 作為一門(mén)交叉學(xué)科,是在統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的交互作用下產(chǎn)生的,主要研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為,以獲取新的知識(shí)或技能,重新組織已有的知識(shí)結(jié)構(gòu),從而不斷完善自身的性能。 ML 的過(guò)程可大致分為數(shù)據(jù)預(yù)處理、特征提取、數(shù)據(jù)分類、模擬訓(xùn)練及優(yōu)化。 ML 主要分為監(jiān)督式學(xué)習(xí)、非監(jiān)督式學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三種基本類型:監(jiān)督式學(xué)習(xí)是依靠正確標(biāo)簽的訓(xùn)練資料,根據(jù)輸入值得到可能的輸出(預(yù)測(cè)或分類),常用于疾病的診斷和預(yù)測(cè);非監(jiān)督式學(xué)習(xí)不需要預(yù)測(cè)結(jié)果,主要是為發(fā)現(xiàn)數(shù)據(jù)集中不同變量之間的運(yùn)算結(jié)果或相關(guān)關(guān)系,常應(yīng)用于患者的個(gè)體化分類管理;強(qiáng)化學(xué)習(xí)是通過(guò)給定的輸入數(shù)據(jù)和結(jié)果進(jìn)行循環(huán)試驗(yàn)學(xué)習(xí)的行為,目前在醫(yī)學(xué)領(lǐng)域應(yīng)用較少,未來(lái)可能在患者個(gè)體化用藥指導(dǎo)方面有較大的應(yīng)用前景。

DL 是ML 研究的一個(gè)新領(lǐng)域,目的在于構(gòu)建與人類大腦類似的神經(jīng)網(wǎng)絡(luò),包括神經(jīng)網(wǎng)絡(luò)(neural network,NN)和卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN)等。 NN 是一種模擬人腦對(duì)眾多信號(hào)進(jìn)行整合計(jì)算的數(shù)學(xué)模型,可以對(duì)復(fù)雜信息進(jìn)行簡(jiǎn)單的統(tǒng)籌處理。 CNN 是DL 模型中應(yīng)用最廣泛的一種,能夠仿造生物的視覺(jué)和知覺(jué)機(jī)制,通過(guò)多次卷積計(jì)算對(duì)數(shù)據(jù)集特征進(jìn)行分類提取,并依靠模型認(rèn)知能力得到結(jié)果,常用于臨床圖像采集、處理和解析。 相較于ML,DL 具有以下優(yōu)點(diǎn):①數(shù)據(jù)處理精確度更高;②可以使用更多數(shù)據(jù)進(jìn)行更好的擴(kuò)展;③不需要輸入復(fù)雜的特征參數(shù),而可以直接處理數(shù)據(jù);④適應(yīng)性強(qiáng),易于在不同領(lǐng)域間切換。 但DL 同時(shí)具有以下缺點(diǎn):①需要較大的數(shù)據(jù)集,②需要高端的圖形處理器,其價(jià)格昂貴,③DL 模型是“黑匣子”型,很難了解其“內(nèi)部”。

2 人工智能在房顫診斷中的應(yīng)用

傳統(tǒng)的房顫診斷方法主要有心臟查體及心電圖等。 12 導(dǎo)聯(lián)心電圖是診斷房顫的金標(biāo)準(zhǔn),根據(jù)心電圖的RR 間期及P 波來(lái)診斷。 但是由于房顫患者數(shù)量急劇增多,醫(yī)生對(duì)于大量心電圖有時(shí)無(wú)法做出及時(shí)診斷。 此外,部分患者為陣發(fā)性房顫,普通12 導(dǎo)聯(lián)心電圖或24 h 動(dòng)態(tài)心電圖可能因無(wú)法記錄到房顫發(fā)作而造成漏診。 植入型心電事件記錄儀可將監(jiān)測(cè)時(shí)間延長(zhǎng)至3 年,但價(jià)格昂貴,且為有創(chuàng)操作,給患者及臨床工作造成負(fù)擔(dān)。 如果房顫患者未能及時(shí)確診,就不能接受抗凝等治療,甚至造成血栓栓塞事件,后果十分嚴(yán)重。 因此,無(wú)論是醫(yī)生還是患者都亟需一種無(wú)創(chuàng)、廉價(jià)、簡(jiǎn)便的房顫監(jiān)測(cè)手段。

2.1 房顫篩查

基于ML 的診斷方法可提高對(duì)心電數(shù)據(jù)特征的提取能力,在12 導(dǎo)聯(lián)或單導(dǎo)聯(lián)心電圖上能夠準(zhǔn)確識(shí)別心律的變化情況。 HANNUN 等[2]將91 232 份單導(dǎo)聯(lián)心電圖記錄導(dǎo)入CNN 中,創(chuàng)建出一個(gè)模型用于區(qū)分包括房顫在內(nèi)的12 種不同的心律,發(fā)現(xiàn)該模型預(yù)測(cè)心律的曲線下面積高達(dá)0.91。 隨后,該模型被整合成NN 軟件并編碼進(jìn)可穿戴設(shè)備中,通過(guò)光電容積脈搏波采集信號(hào),再根據(jù)信號(hào)進(jìn)行心律分析[3-5]。 美國(guó)蘋(píng)果公司開(kāi)展了一項(xiàng)應(yīng)用可穿戴設(shè)備進(jìn)行房顫監(jiān)測(cè)的臨床研究(Apple Heart Study),納入419 297 例參與者,所有被該設(shè)備識(shí)別出有房顫發(fā)作的對(duì)象均接受心電圖檢查,其中34%被確診為房顫,陽(yáng)性預(yù)測(cè)值84%[4]。 國(guó)內(nèi)利用智能手環(huán)篩查房顫的研究(HUAWEI Heart Study)結(jié)果也已公布,在187 912 例使用智能手環(huán)的人群中篩查出424 例“疑似房顫”患者,其中262 例接受醫(yī)療機(jī)構(gòu)的檢查,共確診227 例房顫,陽(yáng)性預(yù)測(cè)值達(dá)91.6%[3]。目前,通過(guò)可穿戴設(shè)備還可以記錄心電圖,如Apple Watch Kardiaband 搭配蘋(píng)果手表即可記錄單導(dǎo)聯(lián)心電圖。 一項(xiàng)納入24 例陣發(fā)性房顫患者的研究顯示,該設(shè)備識(shí)別房顫發(fā)作時(shí)間≥1 h 的敏感性達(dá)97.5%[6]。 上述研究證實(shí)了可穿戴設(shè)備應(yīng)用于房顫監(jiān)測(cè)的可行性。

2.2 房顫預(yù)測(cè)

在房顫發(fā)生前,心房結(jié)構(gòu)可能已經(jīng)出現(xiàn)改變,如心肌肥大、纖維化等,導(dǎo)致微弱的心電改變,從而表現(xiàn)在心電圖上。 研究顯示,AI 或可從正常節(jié)律的心電圖中識(shí)別房顫。 2019 年ATTIA 等[7]在《柳葉刀》雜志上報(bào)道了他們研發(fā)的一種AI 模型,其可從患者竇性心律心電圖中發(fā)現(xiàn)房顫跡象。 該研究納入18.1 萬(wàn)例患者的65 萬(wàn)份心電圖(標(biāo)準(zhǔn)12 導(dǎo)聯(lián),持續(xù)10 s),按照是否患有房顫分為兩組,再通過(guò)構(gòu)建NN 模型來(lái)識(shí)別竇性心律心電圖的細(xì)微變化;心電圖數(shù)據(jù)被分為三組,即訓(xùn)練組(70%)、內(nèi)部驗(yàn)證組(10%)和測(cè)試組(20%)。 該研究最終發(fā)現(xiàn),AI 模型預(yù)測(cè)房顫的準(zhǔn)確率高達(dá)83%[7]。 上述研究提示,AI 用于心電圖分析可以準(zhǔn)確識(shí)別房顫,即使記錄心電圖時(shí)房顫尚未發(fā)作,AI 模型也能根據(jù)細(xì)微的心電圖變化篩查出潛在的房顫患者。

上述研究結(jié)果提示,隨著AI 技術(shù)的不斷發(fā)展,在房顫發(fā)病早期就可以通過(guò)分析竇性心律心電圖識(shí)別房顫高?；颊?。 對(duì)于這些患者建議佩戴可穿戴設(shè)備,一旦發(fā)現(xiàn)異常就能及時(shí)就診,更為快速、經(jīng)濟(jì)、無(wú)創(chuàng)且簡(jiǎn)便。

3 人工智能在房顫個(gè)體化治療中的應(yīng)用

3.1 左心房三維影像構(gòu)建及其纖維化或瘢痕程度的自動(dòng)識(shí)別

導(dǎo)管消融術(shù)是治療房顫的有效手段。 消融術(shù)前通過(guò)影像學(xué)檢查評(píng)估左心房情況以及相關(guān)解剖非常必要,但是人工處理影像學(xué)數(shù)據(jù)將耗費(fèi)大量時(shí)間,且可能造成一定誤差[8-9],而AI 技術(shù)可以很好地滿足這一需求[10]。 國(guó)內(nèi)大部分中心在術(shù)前會(huì)進(jìn)行左心房CT 檢查以明確肺靜脈解剖。 CHEN 等[11]通過(guò)深度CNN 構(gòu)建,自動(dòng)識(shí)別CT 影像并重建左心房三維解剖結(jié)構(gòu)模型(圖2A),發(fā)現(xiàn)該模型識(shí)別CT影像中左心房結(jié)構(gòu)的準(zhǔn)確率達(dá)99.0%,敏感性99.3%,特異性98.7%。

近年來(lái),心臟磁共振技術(shù)在房顫患者中的應(yīng)用逐漸增多,通過(guò)數(shù)據(jù)定量分析、三維重建并結(jié)合延遲釓增強(qiáng)序列,可評(píng)估左心房纖維化程度,指導(dǎo)房顫消融策略的制定。 BAI 等[8]使用一種CNN 圖像分割算法處理5 008 例患者的心臟磁共振圖像序列;與人工處理相比,CNN 在不降低圖像識(shí)別準(zhǔn)確度的同時(shí),還能顯著縮短處理時(shí)間(圖2B)。

此外,AI 在左心房瘢痕區(qū)域識(shí)別上也有較大優(yōu)勢(shì)。 VALINOTI 等[12]使用DL 技術(shù)對(duì)左心房分割影像和左心房瘢痕區(qū)識(shí)別進(jìn)行自動(dòng)整合(圖2C),并將處理結(jié)果導(dǎo)入三維指導(dǎo)系統(tǒng),有助于減少手術(shù)時(shí)間和開(kāi)展個(gè)體化消融。 SHADE 等[13]的研究納入32例陣發(fā)性房顫患者,在消融術(shù)前行心臟磁共振檢查,構(gòu)建左心房三維圖像并識(shí)別纖維化區(qū)域,隨后進(jìn)行左心房各部位起搏以嘗試誘發(fā)房顫;利用ML對(duì)磁共振檢查和左心房起搏結(jié)果進(jìn)行分析并構(gòu)建預(yù)測(cè)模型,結(jié)果發(fā)現(xiàn)該模型預(yù)測(cè)消融術(shù)后房顫復(fù)發(fā)的敏感性82%,特異性89%。

圖2 人工智能在房顫消融術(shù)前影像學(xué)檢查中的應(yīng)用

上述研究表明,AI 應(yīng)用于房顫消融術(shù)前影像學(xué)檢查具有獨(dú)特優(yōu)勢(shì)。 盡管上述技術(shù)具有較好的應(yīng)用前景,但仍需在解剖結(jié)構(gòu)不同的患者中進(jìn)行驗(yàn)證,從而得出相關(guān)參數(shù)的標(biāo)準(zhǔn)區(qū)間。

3.2 左心房時(shí)間-空間激動(dòng)模型的自動(dòng)分析

房顫消融術(shù)中需對(duì)左心房進(jìn)行電生理基質(zhì)標(biāo)測(cè),而不同術(shù)者對(duì)結(jié)果的解釋往往存在較大的主觀性,導(dǎo)致消融術(shù)式出現(xiàn)差異。 近年來(lái),AI 逐漸用于標(biāo)測(cè)結(jié)果分析,通過(guò)ML 自動(dòng)分析左心房時(shí)間-空間激動(dòng)模型以指導(dǎo)消融。 ALHUSSEINI 等[14]通過(guò)訓(xùn)練監(jiān)督學(xué)習(xí)CNN 對(duì)35 例持續(xù)性房顫患者進(jìn)行數(shù)據(jù)分類,以識(shí)別可終止房顫的有效消融位點(diǎn),最終發(fā)現(xiàn)該模型預(yù)測(cè)的準(zhǔn)確率達(dá)95%。 既往研究顯示,存在肺靜脈以外的觸發(fā)灶是消融術(shù)后房顫復(fù)發(fā)的重要預(yù)測(cè)因子,對(duì)這些觸發(fā)灶進(jìn)行消融可以提高手術(shù)成功率。 LIU 等[15]納入358 例接受導(dǎo)管消融術(shù)且術(shù)后1 年未復(fù)發(fā)房顫的陣發(fā)性房顫患者,根據(jù)是否存在肺靜脈外觸發(fā)灶分為兩組,并應(yīng)用DL 分析消融前肺靜脈CT 影像、預(yù)測(cè)肺靜脈外觸發(fā)灶的存在情況,發(fā)現(xiàn)該模型預(yù)測(cè)的準(zhǔn)確率達(dá)(82.4 ±2.0)%,敏感性(64.3 ±5.4)%,特異性(88.4 ±1.9)%。

3.3 患者的個(gè)體化分類管理

近年來(lái),歐洲心臟病學(xué)會(huì)、美國(guó)心臟協(xié)會(huì)等發(fā)布的房顫指南均強(qiáng)調(diào)個(gè)體化綜合管理,包括癥狀管理、藥物治療(控制心室率、抗心律失常及抗凝藥物) 以及器械治療(左心耳封堵及起搏治療)等[16-17]。 在HUAWEI Heart Study 中,95.1%經(jīng)智能手環(huán)篩查及醫(yī)療機(jī)構(gòu)確診的房顫患者進(jìn)入管理平臺(tái),該平臺(tái)基于智能手環(huán)及手機(jī)應(yīng)用軟件對(duì)房顫患者進(jìn)行綜合管理,入選患者中80%的房顫高危人群接受了抗凝治療[3]。 傳統(tǒng)的監(jiān)督學(xué)習(xí)通過(guò)房顫類型等特定的標(biāo)準(zhǔn)對(duì)患者進(jìn)行分類,這樣做盡管可以提升房顫管理效率,但無(wú)法全面反映患者之間的個(gè)體化差異。 目前,無(wú)監(jiān)督AI 技術(shù)已開(kāi)始應(yīng)用于房顫管理,由于沒(méi)有標(biāo)準(zhǔn)的分類方法,因此有可能從患者資料中挖掘出數(shù)據(jù)亮點(diǎn),并實(shí)行個(gè)體化分類管理。 INOHARA 等[18]納入約10 000 例患者,根據(jù)基線資料將其分為4 類:①危險(xiǎn)因素及合并疾病較少的房顫患者;②年輕和(或)共存行為障礙的房顫患者;③合并快慢綜合征、需植入器械治療的房顫患者;④合并冠狀動(dòng)脈疾病、急性心肌梗死和(或)動(dòng)脈粥樣硬化的房顫患者。 該研究表明,相較于第一類患者,其余三類患者的主要心血管事件、神經(jīng)系統(tǒng)事件以及主要出血事件的發(fā)生風(fēng)險(xiǎn)更高,須引起臨床醫(yī)生的關(guān)注[18]。

3.4 督促規(guī)范化用藥和監(jiān)測(cè)服藥安全性

AI 技術(shù)不僅可以在患者的風(fēng)險(xiǎn)評(píng)估及分組管理中發(fā)揮作用,還有助于督促患者規(guī)范化用藥。 在過(guò)去的十年間,新型口服抗凝藥物的應(yīng)用越來(lái)越廣泛,大有取代華法林的趨勢(shì),但部分患者(終末期腎臟病、瓣膜性房顫患者等)仍只能服用華法林進(jìn)行抗凝。 不同個(gè)體應(yīng)用華法林的起始劑量不一,給華法林抗凝治療帶來(lái)挑戰(zhàn),而ML 算法可基于人口學(xué)、臨床以及藥學(xué)數(shù)據(jù),為不同個(gè)體給出適宜的華法林用量[19-20]。 此外,患者服用抗凝藥物的依從性較差,相當(dāng)一部分患者服用一段時(shí)間后自行停藥。 隨著新型口服抗凝藥應(yīng)用于臨床,服藥依從性有一定提升,但幅度不大[21]。 LABOVITZ 等[22]使用智能手機(jī)與AI 技術(shù)相結(jié)合的方式對(duì)患者服藥進(jìn)行干預(yù),通過(guò)視頻監(jiān)督確認(rèn)患者已服藥,結(jié)果發(fā)現(xiàn)干預(yù)組患者服藥依從性高達(dá)100%,而傳統(tǒng)方式服藥組僅50%。

房顫患者常使用抗心律失常藥物,因此需要密切監(jiān)測(cè)心率、QT 間期等,并根據(jù)QT 間期、是否聯(lián)用致QT 間期延長(zhǎng)藥物及腎功能情況等因素調(diào)整用藥,以防出現(xiàn)致心律失常作用等不良反應(yīng)。 然而,僅通過(guò)QT 間期無(wú)法準(zhǔn)確掌握患者的血藥濃度,ATTIA等[23]的一項(xiàng)研究將DL 和NN 應(yīng)用于體表心電圖分析,發(fā)現(xiàn)其在預(yù)測(cè)抗心律失常藥物多非利特的血藥濃度上優(yōu)于單純分析QT 間期,且DL 模型對(duì)血藥濃度的預(yù)測(cè)值與真實(shí)值之間具有很好的相關(guān)性(r=0.85)。 LEVY 等[24]通過(guò)ML 模型得出每位患者多非利特的服藥劑量,準(zhǔn)確率高達(dá)96.1%。

4 目前的挑戰(zhàn)

龐大的數(shù)據(jù)使AI 模型給出的臨床決策更具說(shuō)服力,但目前AI 應(yīng)用于臨床的局限性也十分突出。第一,醫(yī)學(xué)倫理問(wèn)題。 大量的數(shù)據(jù)包含了患者的臨床資料,部分信息可能涉及隱私,因此,使用這些數(shù)據(jù)之前最好取得患者的知情同意。 但由于樣本量龐大,無(wú)疑會(huì)極大地增加工作量。 第二,數(shù)據(jù)質(zhì)量問(wèn)題。 海量數(shù)據(jù)是AI 模型的基礎(chǔ),數(shù)據(jù)的準(zhǔn)確采集至關(guān)重要。 如果采集的數(shù)據(jù)存在不同程度的質(zhì)量問(wèn)題,那么直接用于AI 模型得到的結(jié)果準(zhǔn)確性自然偏低,導(dǎo)致模型無(wú)法推廣到全人群。 例如本文多次提及的心電圖數(shù)據(jù),心電圖導(dǎo)聯(lián)放置位置、心電圖波形質(zhì)量的衡量標(biāo)準(zhǔn)可能因檢查人員的不同而出現(xiàn)差異,以致獲得的心電圖質(zhì)量參差不齊。 由此可見(jiàn),數(shù)據(jù)采集過(guò)程中的標(biāo)準(zhǔn)化至關(guān)重要。 第三,ML的“黑匣子”問(wèn)題。 輸入數(shù)據(jù)后,模型輸出預(yù)測(cè)結(jié)果,但是我們并不清楚機(jī)器的處理過(guò)程。 加之目前AI 算法一般是由信息技術(shù)人員研發(fā),很少有臨床醫(yī)生參與,因此得出的結(jié)論可能缺乏臨床實(shí)用價(jià)值。 在醫(yī)學(xué)領(lǐng)域,循證證據(jù)至關(guān)重要,僅憑ML 得出的臨床建議可能很難被臨床采納。 第四,結(jié)果推廣問(wèn)題。 目前AI 的臨床應(yīng)用仍處于初級(jí)階段,許多算法僅基于單一數(shù)據(jù)庫(kù)進(jìn)行研究,納入人群的廣度可能有一定的局限性。 此外,對(duì)同一種疾病的預(yù)測(cè)可能存在多種算法,關(guān)于其是否適用于不同人群、算法之間能否整合,目前尚不可知。 上述因素在很大程度上限制了AI 模型結(jié)果在全人群中的推廣。

5 總結(jié)和展望

在心電生理領(lǐng)域,AI 的應(yīng)用近年來(lái)越來(lái)越廣泛,尤其在房顫診療方面。 隨著AI 監(jiān)測(cè)及診斷技術(shù)的不斷進(jìn)步,各式各樣的可穿戴設(shè)備進(jìn)入我們的生活,用于房顫節(jié)律和心率管理。 此外,人們也開(kāi)始探索AI 在房顫消融術(shù)中的應(yīng)用。 對(duì)于術(shù)前影像學(xué)數(shù)據(jù)的處理,AI 具有獨(dú)特優(yōu)勢(shì),可以幫助評(píng)估心房纖維化程度、自動(dòng)標(biāo)測(cè)腔內(nèi)基質(zhì)等。 相信隨著技術(shù)的不斷進(jìn)步和革新,未來(lái)AI 將在房顫診療中占有一席之地。