于立恒,林錫祥,陳 煦,何昆侖

(1.解放軍總醫(yī)院醫(yī)學(xué)大數(shù)據(jù)研究中心,北京 100853;2.解放軍總醫(yī)院研究生院,北京 100853)

慢性心力衰竭(Chronic heart failure,CHF)指多種原因所致心臟結(jié)構(gòu)和(或)功能異常,導(dǎo)致心室收縮和(或)舒張功能發(fā)生障礙,血液瘀滯于外周組織,從而引起呼吸困難、咳嗽、體力下降、咯血等癥狀的臨床綜合征[1]。全球約有6400萬(wàn)CHF患者[2],國(guó)內(nèi)每年約有50萬(wàn)CHF新發(fā)病例[3]。CHF預(yù)后較差,5年生存率僅50%左右[4],15年病死率甚至可高達(dá)81%[5]。臨床依據(jù)CHF發(fā)病基礎(chǔ)分為左室收縮性CHF和左室舒張性CHF,其中約1/3表現(xiàn)為左室舒張功能異常[6]。左室舒張性CHF治療有別于收縮性CHF,故識(shí)別左室舒張性CHF具有重要臨床意義。心臟超聲檢查可用于心臟結(jié)構(gòu)和功能篩查,具有無輻射、操作簡(jiǎn)單且無創(chuàng)等優(yōu)勢(shì),是當(dāng)前用于CHF篩查診斷的主要工具。以往眾多研究證實(shí),心臟超聲能通過左室形態(tài)和舒張功能篩查,準(zhǔn)確判斷CHF左室舒張功能異常狀態(tài)和程度[6-7]。然而,傳統(tǒng)的心臟超聲參數(shù)解讀需要專業(yè)人才完成,受操作人員專業(yè)技能影響,造成心臟疾病篩查結(jié)果出現(xiàn)明顯差異[8],同時(shí),限制心臟超聲在某些缺少專業(yè)超聲醫(yī)生的地區(qū)和科室使用。在本研究中,我們通過利用大量、多中心的心臟超聲標(biāo)注數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,使其在未標(biāo)注心臟超聲數(shù)據(jù)上具有良好預(yù)測(cè)能力,再設(shè)計(jì)基于數(shù)學(xué)規(guī)則的測(cè)量算法自動(dòng)獲得心臟超聲影像的左室形態(tài)和舒張功能參數(shù),有望解決傳統(tǒng)心臟超聲檢查中存在的諸多限制[8-9]。為提高心臟超聲診斷技術(shù)在CHF識(shí)別的應(yīng)用效率,本研究對(duì)人工智能所測(cè)心臟超聲常規(guī)參數(shù)與高年資心臟超聲醫(yī)師所測(cè)結(jié)果進(jìn)行對(duì)比,并分析了各參數(shù)對(duì)左室舒張性CHF的診斷價(jià)值?，F(xiàn)報(bào)告如下。

1 資料與方法

1.1 一般資料 選擇2022年1-2月在本院心臟超聲門診接受心臟超聲檢查的410例左室舒張性CHF疑似病例者的心臟超聲圖像,評(píng)價(jià)人工智能技術(shù)生成的心臟常規(guī)參數(shù)對(duì)左室舒張性CHF疑似病例診斷的價(jià)值。病例納入標(biāo)準(zhǔn):臨床資料完整;有多切面心臟超聲圖像;超聲圖像清晰、無偽影,可用于診斷評(píng)估。排除標(biāo)準(zhǔn):先天性心臟病、類風(fēng)濕性心臟病、肺動(dòng)脈高壓或肺心病;已接受過心臟同步治療或安裝有心臟起搏器?；颊咧心?11例,女199例;年齡12～94歲,平均(59.19±15.77)歲。本研究符合醫(yī)學(xué)倫理學(xué)標(biāo)準(zhǔn)。

1.2 研究方法

1.2.1 超聲心動(dòng)圖檢查:采用Philips 7C高端心臟智能彩超儀,超聲探頭頻率設(shè)定為2～4 MHz。受檢者取仰臥或左側(cè)位,通過調(diào)整探頭位置和方向,獲取二維動(dòng)態(tài)視頻心尖四腔心切面(A4c)和心尖二腔心切面(A2c);將采集框置于二尖瓣水平位置,獲取多普勒A4c-MV-PW、A4c-IVS-TDI、A4c-LW-TDI切面;將采集框置于心臟主動(dòng)脈位置,獲取切面。由一名高年資心臟超聲醫(yī)師(從業(yè)經(jīng)驗(yàn)大于10年)對(duì)410例左室舒張性CHF疑似病例者的心臟超聲的不同切面進(jìn)行測(cè)量,獲得以下心臟超聲參數(shù)?；贏2c切面和A4c切面采用Simpson方法測(cè)得左室舒張末期容積(Left ventricular end-diastolic volume,LVEDV)和左室收縮末期容積(Left ventricular end-systolic volume,LVESV),進(jìn)而計(jì)算得到左室射血分?jǐn)?shù)(Left ventricular ejection fraction,LVEF)?；谡{(diào)整探頭位置和方向,采集框置于二尖瓣尖端水平,測(cè)量二尖瓣舒張?jiān)缙诜逯盗魉?E峰)、舒張晚期峰值流速(A峰)、二尖瓣環(huán)間隔側(cè)壁流速(e’);采集框置于心臟主動(dòng)脈位置,測(cè)量主動(dòng)脈瓣峰值流速(Aortic valve Peak flow wave,AVPW)。計(jì)算E/A和E/e’。

1.2.2 人工智能圖像分割模型:收集多中心回顧性心臟超聲數(shù)據(jù)1000例,從中篩選出200個(gè)A4c切面、200個(gè)A2c切面、100個(gè)A4c-MV-PW切面、50個(gè)A4c-IVS-TDI切面、60個(gè)A4c-LW-TDI切面、50個(gè)A5c-AV-PW切面。然后采用低年資醫(yī)生勾畫、高年資醫(yī)生審核的模式對(duì)這些切面進(jìn)行人工標(biāo)注。對(duì)于二維動(dòng)態(tài)視頻切面(A4c和A2c)在每一幀圖像上勾畫左室內(nèi)膜、右室內(nèi)膜、左房?jī)?nèi)膜、右房?jī)?nèi)膜等;對(duì)于多普勒頻譜切面(A4c-MV-PW、A4c-IVS-TDI、A4c-LW-TDI和A5c-AV-PW)勾畫頻譜輪廓(圖1)。

圖1 二維視頻切面和多普勒頻譜切面標(biāo)注示例

基于以上人工標(biāo)注數(shù)據(jù),本研究訓(xùn)練圖像分割卷積神經(jīng)網(wǎng)絡(luò)模型2D CBAM-TUNet[10-14]用來分割二維視頻切面,訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型2D UNet[10]用來分割頻譜切面。作為醫(yī)學(xué)影像分割領(lǐng)域的經(jīng)典模型,如圖2所示,UNet的主體架構(gòu)包括編碼器和解碼器兩部分,編碼器和解碼器通過跳躍連接進(jìn)行信息融合。心臟超聲二維視頻切面(A4c和A2c)是反映心臟結(jié)構(gòu)和運(yùn)動(dòng)功能的重要切面。本科室在UNet上做了如下改進(jìn):在UNet的每級(jí)編碼器中加入卷積長(zhǎng)短期記憶網(wǎng)絡(luò)(ConvLSTM)層[11]用來有效融合空間上下文信息和時(shí)間上下文信息。ConvLSTM是LSTM層的變體,將原始LSTM層的全連接操作改為了卷積操作[13],使其具有了空間信息的記憶能力;同時(shí),為了提升分割模型的特征動(dòng)態(tài)選擇能力,在每級(jí)解碼器中加入了雙重注意力模塊Convolutional Block Attention Module(CBAM)[12]:通道注意力和空間注意力。

A圖:UNet神經(jīng)網(wǎng)絡(luò)構(gòu)架;B圖:CBAM神經(jīng)網(wǎng)絡(luò)模塊圖2 UNet的主體架構(gòu)

1.2.3 心臟超聲參數(shù)測(cè)量:用訓(xùn)練完成的人工智能分割模型預(yù)測(cè)每例受試者心臟超聲圖像(共410例),獲得左室內(nèi)外膜、多普勒頻譜輪廓等,然后設(shè)計(jì)專門的心臟結(jié)構(gòu)和功能參數(shù)計(jì)算算法,計(jì)算得到心臟超聲常規(guī)參數(shù),具體步驟如下所述?；贏2C/A4C的分割結(jié)果,選取舒張末期和收縮末期的圖像幀,根據(jù)辛普森法[15]計(jì)算出對(duì)應(yīng)的舒張末期左心室容積(LVEDV)和收縮末期左心室容積(LVESV),通過公式LVEF =(LVEDV-LVESV)/LVEDV×100%進(jìn)一步求出左室射血分?jǐn)?shù)?；诙嗥绽疹l譜分割結(jié)果,分別計(jì)算出E峰、A峰、e’峰和AVPW的值。

1.3 統(tǒng)計(jì)學(xué)方法 采用SPSS 22.0統(tǒng)計(jì)軟件分析所得超聲參數(shù)。符合正態(tài)分布的計(jì)量資料一致性分析采用組內(nèi)相關(guān)系數(shù)(ICC)法;偏差分析采用Bland-Altman分析;診斷價(jià)值用受試者工作特征(ROC)曲線分析;P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

2.1 兩種方法所測(cè)受試者超聲參數(shù)的一致性 人工智能與醫(yī)師所測(cè)心臟超聲參數(shù)LVEDV、LVESV、LVEF間一致性一般(0.60≤ICC<0.80),E/A、E/e’、AVPW一致性極好(ICC≥0.80),見表1。

表1 兩種方法所測(cè)受試者超聲參數(shù)的一致性分析

2.2 兩種方法所測(cè)受試者超聲參數(shù)的偏差 Bland-Altman分析表明,人工智能與醫(yī)師所測(cè)心臟超聲參數(shù)LVEDV、LVESV、LVEF間偏差較大,平均偏差分別為-16.9%(95%CI:-31.7%～-1.7%)、-7.0%(-18.3%～1.3%)和1.0%(-5.6%～2.9%),E/A、E/e’、AVPW間偏差較低,平均偏差分別為0.0%(-0.09%～0.19%)、-0.4%(-1.6%～2.1%)和-0.0%(-0.09%～0.15%)。見圖3。

圖3 兩種測(cè)定方法所測(cè)超聲參數(shù)的Bland-Altman圖

2.3 人工智能所測(cè)超聲參數(shù)在左室舒張性CHF診斷中的價(jià)值 以臨床醫(yī)師診斷結(jié)果為依據(jù),進(jìn)行ROC曲線分析,結(jié)果顯示,人工智能所測(cè)E/A、E/e’、AVPW均對(duì)左心室舒張性CHF具有一定診斷價(jià)值(均P<0.05),見表2。

表2 人工智能所測(cè)超聲參數(shù)在左室舒張性CHF診斷中的價(jià)值

3 討 論

傳統(tǒng)心臟超聲檢查圖像結(jié)果解讀主要依靠超聲醫(yī)師,不僅耗時(shí),需要專業(yè)型人才,限制了其在非超聲專業(yè)科室及基層等缺乏專業(yè)超聲醫(yī)生等領(lǐng)域的應(yīng)用,而且超聲診斷結(jié)果容易受醫(yī)師主觀性影響,導(dǎo)致診斷標(biāo)準(zhǔn)無法統(tǒng)一。鑒于此,本研究利用多中心數(shù)據(jù)建立了一種基于3D UNet分割網(wǎng)絡(luò)技術(shù)的心臟超聲測(cè)量模型并對(duì)重要參數(shù)的測(cè)量結(jié)果和高年資醫(yī)生進(jìn)行了對(duì)比,最后分析了部分參數(shù)在CHF中的診斷價(jià)值。左心室超聲圖像的準(zhǔn)確分割是評(píng)價(jià)心臟功能的根本保障。神經(jīng)網(wǎng)絡(luò)屬于常見的人工智能算法,是一種選用多層前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng),通過模擬人類大腦神經(jīng)元運(yùn)行方式,從而準(zhǔn)確預(yù)測(cè)臨床事件的人工智能技術(shù)[16]。

3D Unet是一種基于PyTorch的開源框架,專門用于醫(yī)療影像學(xué)習(xí)領(lǐng)域的技術(shù)[17]?；?D UNet神經(jīng)網(wǎng)絡(luò)開發(fā)的人工智能心臟超聲分析模型,可將預(yù)先獲取的待分割的3D心臟超聲圖像進(jìn)行房室和心肌分割;然后采用2D UNet神經(jīng)網(wǎng)絡(luò)對(duì)血池進(jìn)行分割,去除血池分割圖像中屬于房室部分的圖像;最后,依據(jù)獲得的血管圖像對(duì)心臟分割圖像進(jìn)行優(yōu)化,獲得心臟掩膜。

LVEDV、LVESV、LVEF、E/A、E/e’、AVPW均是心臟超聲常規(guī)測(cè)量的重要參數(shù)。國(guó)內(nèi)相關(guān)報(bào)道顯示,與健康人群相比,LVEF保留型CHF患者LVEDV、LVESV、LVEF水平均未出現(xiàn)明顯變化,但E/A水平明顯下降,E/e’和AVPW水平明顯升高[18-19]。國(guó)外有報(bào)道顯示,即便在LVEF保留型CHF患者體內(nèi),LVEDV和LVESV指數(shù)亦存在明顯變化,且其變化與不良事件發(fā)生有關(guān),可作為判斷患者預(yù)后的指標(biāo)。本研究采用一致性分析和偏差分析法,對(duì)人工智能心臟超聲軟件模型的性能進(jìn)行了測(cè)試。結(jié)果顯示,人工智能所測(cè)2D超聲參數(shù)LVEDV、LVESV、LVEF與高年資超聲醫(yī)師所測(cè)結(jié)果間一致性一般(0.60≤ICC<0.80),我們研究發(fā)現(xiàn),受局部圖像質(zhì)量,特別是心尖不清楚時(shí),LVEDV測(cè)量的偏差會(huì)明顯增大。盡管EDV比ESV的偏差相對(duì)較大(-16.9% 與-7.0%)LVEF的整體偏差不會(huì)受太大的影響(1.0%)。另外,我們發(fā)現(xiàn)模型E/A、E/e’、AVPW與高年資超聲醫(yī)師所測(cè)結(jié)果間一致性更好(ICC≥0.80),偏差較低,僅為0.0%、-0.4%和-0.0%。總之,基于3D UNet分割網(wǎng)絡(luò)技術(shù)的人工智能心臟超聲數(shù)據(jù)軟件模型所測(cè)的關(guān)鍵超聲參數(shù)可達(dá)到與高年資超聲醫(yī)師相當(dāng)水平,有望成為替代超聲醫(yī)師進(jìn)行超聲心臟檢查結(jié)果的解讀。

左室舒張功能異常是CHF發(fā)生發(fā)展的主要病理基礎(chǔ)之一,臨床約1/3CHF表現(xiàn)出左室舒張功能下降。相關(guān)報(bào)道顯示,左室舒張性CHF患者E/A相較于健康人群明顯下降,而E/e’、AVPW相較于健康人群明顯升高。結(jié)果顯示,人工智能所測(cè)E/A、E/e’、AVPW均對(duì)左心室舒張性CHF具有一定診斷價(jià)值(AUC>0.5)。眾所周知,左心室舒張性CHF的診斷需要臨床癥狀、實(shí)驗(yàn)室指標(biāo)及影像學(xué)的共同判定,在臨床上診斷有一定難度。盡管我們的研究證明了自動(dòng)化測(cè)量的關(guān)鍵參數(shù)對(duì)于CHF診斷具有一定的價(jià)值,但最終診斷應(yīng)結(jié)合臨床。

綜上所述,人工智能可快速識(shí)別并處理心臟超聲檢查結(jié)果,自動(dòng)計(jì)算常規(guī)超聲參數(shù),且某些常規(guī)參數(shù)可以與高年資超聲醫(yī)師結(jié)果高度一致,有望用于輔助左室舒張性CHF的臨床診斷。