李夢婷, 晉 軍

1.重慶大學(xué) 生物工程學(xué)院,重慶 400044;2.陸軍軍醫(yī)大學(xué)第二附屬醫(yī)院 心血管內(nèi)科,重慶 400037

心血管疾病的致死率較高［1］,早期發(fā)現(xiàn)有助于改善臨床結(jié)局。心血管影像是檢查心血管異常的重要依據(jù),主要包括超聲成像、磁共振成像(magnetic resonance imaging,MRI)、冠狀動脈CT造影、放射性核素成像。但醫(yī)學(xué)影像的標(biāo)記和人工判讀工作量大,高度依賴于專業(yè)醫(yī)師的水平,且存在誤診、漏診、耗時(shí)等問題。人工智能和大數(shù)據(jù)的不斷發(fā)展,使計(jì)算機(jī)輔助診斷成為可能。在醫(yī)學(xué)領(lǐng)域,人工智能已經(jīng)被成功應(yīng)用于影像診斷［2］、電子病歷診斷［3］、疾病的篩查［4］和預(yù)測［5］等。人工智能與心血管影像相結(jié)合,不僅可以提高影像的分割精度,幫助醫(yī)師進(jìn)行智能化的臨床決策,還能簡化工作流程,提高速度和效率,是當(dāng)前研究的熱點(diǎn)。本文對人工智能在心血管影像中的應(yīng)用現(xiàn)狀進(jìn)行綜述,旨在為未來研究提供一定參考。

1 人工智能概述

人工智能是一門新的技術(shù)學(xué)科,利用計(jì)算機(jī)和機(jī)器模仿人類思維來解決問題,并做出決策。機(jī)器學(xué)習(xí)作為人工智能的重要分支,基于大量數(shù)據(jù)模擬、延伸和擴(kuò)展了人的智能。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)是機(jī)器學(xué)習(xí)的一個(gè)流行算法,可以模擬人腦結(jié)構(gòu)及功能。根據(jù)處理任務(wù)的不同,最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)有所不同,主要區(qū)別于網(wǎng)絡(luò)層數(shù)、神經(jīng)元個(gè)數(shù),以及網(wǎng)絡(luò)的連接方式。機(jī)器學(xué)習(xí)按照學(xué)習(xí)方式分類,大致可以分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)的訓(xùn)練集帶有標(biāo)簽,常用于回歸和分類問題;無監(jiān)督學(xué)習(xí)的訓(xùn)練集無任何標(biāo)記,常見的算法有聚類和降維。在醫(yī)學(xué)領(lǐng)域,監(jiān)督學(xué)習(xí)所需的精確標(biāo)簽依賴于專業(yè)人員,耗時(shí)耗力,無監(jiān)督學(xué)習(xí)使利用大量未標(biāo)記的醫(yī)學(xué)數(shù)據(jù)成為可能［6］。

進(jìn)入21世紀(jì)后,深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的延伸,迅速發(fā)展。深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)以ANN為基礎(chǔ),是一種具有多層神經(jīng)網(wǎng)絡(luò)的深度結(jié)構(gòu)。與傳統(tǒng)的機(jī)器學(xué)習(xí)比較,深度學(xué)習(xí)無需大量預(yù)處理和手動提取特征,可以在不丟失信息的情況下,自動提取人類難以辨別的特征,實(shí)現(xiàn)端到端的學(xué)習(xí),在細(xì)微模式的復(fù)雜識別中展現(xiàn)出巨大的潛能。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)是經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò),由輸入層、卷積層、池化層、全連接層和輸出層組成,由于其具有深度結(jié)構(gòu)和卷積計(jì)算,在學(xué)習(xí)隱藏特征方面表現(xiàn)出色。CNN結(jié)構(gòu)圖見圖1。

圖1 CNN結(jié)構(gòu)圖

隨著不同的功能需求,深度學(xué)習(xí)算法也層出不窮,如用于無監(jiān)督學(xué)習(xí)的生成對抗網(wǎng)絡(luò)(generative adversarial networks,GAN),處理序列數(shù)據(jù)具有優(yōu)勢的循環(huán)神經(jīng)網(wǎng)絡(luò),以及在計(jì)算機(jī)視覺領(lǐng)域表現(xiàn)突出的Transformer模型。語義分割可以將醫(yī)學(xué)影像轉(zhuǎn)為有意義的空間結(jié)構(gòu)信息,實(shí)現(xiàn)圖像分析和量化,是許多臨床應(yīng)用中必不可少的要素［7］。這種像素級別的分割不僅要實(shí)現(xiàn)目標(biāo)識別,還能精確描繪物體邊界。目前,U-Net網(wǎng)絡(luò)被廣泛應(yīng)用在各項(xiàng)醫(yī)學(xué)圖像分割任務(wù)中。

2 人工智能在心血管影像的應(yīng)用

近年來,隨著心血管疾病發(fā)病率的不斷上升,心血管影像數(shù)據(jù)也在逐年攀升,這給人工分析帶來了較大的挑戰(zhàn)。人工智能可以檢測出許多人眼注意不到的細(xì)節(jié),在心血管影像的應(yīng)用主要集中在圖像采集的優(yōu)化、提高成像質(zhì)量、改進(jìn)分割、識別心臟結(jié)構(gòu)、快速量化心臟功能、輔助診斷和疾病預(yù)測等方面。

2.1 心血管超聲成像 超聲心動圖可以捕獲心臟及周圍結(jié)構(gòu)的時(shí)間和空間分辨率圖像,且具有價(jià)格低、檢查簡便快捷、無創(chuàng)、無輻射、動態(tài)實(shí)時(shí)等優(yōu)點(diǎn)。

超聲心動圖由于輪廓不清晰、斑點(diǎn)噪聲較大,使傳統(tǒng)的人工分割存在耗時(shí)較長、誤差較大等問題,基于深度學(xué)習(xí)的自動分割算法可以解決此問題。曹冬平等［8］通過改進(jìn)YOLACT實(shí)例分割模型,利用心臟幾何信息增強(qiáng)分割效果,避免了CNN帶來的全局位置信息丟失,減少心房心室差異小帶來的分類錯(cuò)誤,在保證準(zhǔn)確度的同時(shí),實(shí)時(shí)分割速度達(dá)到了27幀/s。還有一項(xiàng)基于多隊(duì)列的研究利用深度學(xué)習(xí)算法評估超聲心動圖,左心室和左心房分割的平均Dice系數(shù)>0.93［9］。另外一項(xiàng)研究報(bào)道,深度學(xué)習(xí)可以指導(dǎo)未經(jīng)培訓(xùn)的新手診斷經(jīng)胸超聲心動圖,以評估左右心室的大小、功能及心肌包液［10］,其對于資源匱乏的偏遠(yuǎn)地區(qū),具有很大的應(yīng)用價(jià)值,但安全性和穩(wěn)定性仍需進(jìn)一步驗(yàn)證。

心臟結(jié)構(gòu)的分割是量化心臟功能的基礎(chǔ),心功能參數(shù)的評估可以為臨床診斷提供更多參考信息。Zamzmi等［11］提出輕量級的三邊注意力網(wǎng)絡(luò)TaNet,實(shí)現(xiàn)了超聲心動圖的實(shí)時(shí)分割,并量化了下腔靜脈直徑、射血分?jǐn)?shù)(ejection fractions,EF)、右心房壓力、左心室內(nèi)徑、后壁厚度等參數(shù)。受試者工作特征曲線下面積(area under curve,AUC)是評價(jià)模型性能的常用指標(biāo)。Ghorbani等［12］開發(fā)EchoNet深度學(xué)習(xí)模型,不僅能從超聲心動視頻采樣的圖像中預(yù)測患者的年齡、性別、體質(zhì)量和身高,還能準(zhǔn)確識別起搏器導(dǎo)聯(lián)線(AUC=0.89)、左心室肥厚(AUC=0.75)、左心房擴(kuò)大(AUC=0.86),并預(yù)測左心室EF、收縮末期容積和舒張末期容積。

除了心臟分割,超聲心動圖還能用于多種疾病的預(yù)測。Laumer等［13］采用多中心的超聲心動圖視頻開發(fā)和訓(xùn)練模型,用于區(qū)分Takotsubo綜合征和急性心肌梗死,算法的平均性能(AUC=0.79)優(yōu)于心臟病專家委員會(AUC=0.71)。左心室肥厚與高血壓密切相關(guān),會導(dǎo)致心力衰竭、中風(fēng)等危險(xiǎn)。Madani等［14］在超聲心動圖中用CNN和半監(jiān)督GAN預(yù)測了二元左心室肥厚,準(zhǔn)確率分別為91.2%和92.3%,證明了半監(jiān)督學(xué)習(xí)深度學(xué)習(xí)模型從標(biāo)記和未標(biāo)記數(shù)據(jù)中學(xué)習(xí)的能力。此外,深度學(xué)習(xí)算法還能基于超聲心動圖視頻篩查4種常見的瓣膜性心臟?。?5］。

頸動脈超聲可以檢測頸動脈內(nèi)膜中層厚度、斑塊直徑和動脈僵硬度,常用于頸動脈粥樣硬化的早期診斷。Jain等［16］利用Attention-UNet識別頸內(nèi)動脈和頸總動脈圖像中的頸動脈斑塊,并在多民族、多中心數(shù)據(jù)集上進(jìn)行測試,結(jié)果表明,模型(AUC=0.97)能在明亮或模糊的圖像中捕捉斑塊區(qū)域。此外,將CNN和遷移學(xué)習(xí)應(yīng)用于頸動脈超聲,還能實(shí)現(xiàn)中風(fēng)的早期檢測［17］。

心血管內(nèi)超聲將無創(chuàng)的超聲技術(shù)與有創(chuàng)的導(dǎo)管技術(shù)相結(jié)合,能準(zhǔn)確評估斑塊組成、管腔尺寸、動脈狹窄等冠狀動脈病變。Nishi等［18］以DeepLabv3模型為主體,使用金字塔池化模塊提取多個(gè)尺度的特征圖,開發(fā)了一種血管內(nèi)超聲分割模型,用于心血管內(nèi)超聲管腔、血管、支架區(qū)域的自動分割。算法結(jié)果與專家手動分割具有較高一致性,這證明了人工智能輔助冠狀動脈支架植入患者的心血管內(nèi)超聲評估的可能性,具有重要的臨床意義。

2.2 CT成像 與超聲心動圖比較,計(jì)算機(jī)斷層掃描(computed tomography,CT)的清晰度和分辨率更高,是輔助醫(yī)師診斷心血管疾病的強(qiáng)大工具。冠狀動脈鈣化(coronary artery calcification,CAC)是檢測動脈粥樣硬化和多種心血管疾病的關(guān)鍵指標(biāo),但人工操作十分耗時(shí),且存在信息丟失。Zeleznik等［19］使用U-Net開發(fā)的深度學(xué)習(xí)系統(tǒng),通過心臟定位、心臟分割、冠狀動脈分割、鈣評分計(jì)算4個(gè)步驟量化CAC積分,并在4個(gè)大型前瞻隊(duì)列中驗(yàn)證了系統(tǒng)性能,自動評分與手動評分之間的斯皮爾曼相關(guān)系數(shù)高達(dá)0.92(P<0.000 1)。臨床診斷除了通過影像信息,還需要整合其他臨床數(shù)據(jù),如心血管疾病風(fēng)險(xiǎn)因素、患者病史、癥狀等。Commandeur等［20］基于CNN在心臟CT上實(shí)現(xiàn)了CAC和心外膜脂肪組織的全自動量化,然后,將量化結(jié)果與臨床參數(shù)相結(jié)合,利用極限梯度提升算法預(yù)測心肌梗死和心源性死亡,這種多參數(shù)的協(xié)作可以提高評估的準(zhǔn)確性(AUC=0.82)。

冠狀動脈CT血管造影(coronary computed tomography angiography,CCTA)通過注射適當(dāng)造影劑來增強(qiáng)冠狀動脈,可以用于診斷冠狀動脈疾病和評估冠狀動脈粥樣硬化的范圍、嚴(yán)重程度、分布和組成,是診斷冠心病的“金標(biāo)準(zhǔn)”。冠狀動脈斑塊和狹窄的識別對冠狀動脈疾病的干預(yù)具有重要意義,但冠狀動脈結(jié)構(gòu)復(fù)雜,分割起來難度較大。Li等［21］基于華西醫(yī)院搜集的疑似CAD患者的CCTA圖像,建立了U-Net模型,用于快速、準(zhǔn)確地自動分割出冠狀動脈的3個(gè)主要分支,平均分割時(shí)間僅需6.73 s,并在分割結(jié)果的基礎(chǔ)上,結(jié)合臨床參數(shù)建立了3D Net用于診斷狹窄程度≥50%的冠狀動脈狹窄。

造影劑在增強(qiáng)影像觀察效果的同時(shí),會使動脈外觀減弱,給CAC的提取帶來困難。一項(xiàng)國際多中心的研究利用CCTA和分層長短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)快速評估冠狀動脈斑塊體積和狹窄程度,斑塊平均分析時(shí)間僅需5.65 s,對預(yù)測心肌梗死發(fā)生具有重要價(jià)值［22］。影像組學(xué)是一種挖掘定量圖像特征的新方法,包括形狀、紋理和更高級的潛在特征。Jin等［23］利用具有代表性的影像組學(xué)特征優(yōu)勢,進(jìn)行冠狀動脈斑塊檢測、分類及狹窄的分級。CNN在冠狀動脈斑塊檢測任務(wù)上實(shí)現(xiàn)了100.0%的靈敏度和83.9%的陽性預(yù)測率,梯度提升決策樹在斑塊分類(AUC=0.873)和狹窄分級(AUC=0.910)方面表現(xiàn)最佳。

冠狀動脈血流儲備分?jǐn)?shù)(fractional flow reserve,FFR)是冠狀動脈狹窄后最大血流量與正常血流量的比率,常用于評估血液流動的暢通程度。深度學(xué)習(xí)可以實(shí)現(xiàn)CCTA的FFR無創(chuàng)計(jì)算(CT-FFR),且CT-FFR在鑒別功能性心肌缺血方面優(yōu)于常規(guī)CCTA［24］。但在臨床實(shí)踐中,FFR存在一些局限性,而定量血流分?jǐn)?shù)(quantitative flow ratio,QFR)作為一種血管造影分析的新技術(shù),能夠使主要心臟不良事件的1年發(fā)生率降低35%,改善了臨床結(jié)局［25］。深度學(xué)習(xí)與QFR結(jié)合能精準(zhǔn)評估冠狀動脈病變,Xu等［26］將FFR和QRF作為參考標(biāo)準(zhǔn),證實(shí)了深度學(xué)習(xí)重建算法可以提高CCTA的質(zhì)量。此外,還能通過人工智能輔助運(yùn)動校正算法重建圖像,以提高CCTA圖像質(zhì)量和檢查效率,即利用深度學(xué)習(xí)技術(shù)分割相鄰多時(shí)相的冠狀動脈樹并建立模型,然后,基于模型進(jìn)行校正［27］。

2.3 心血管磁共振 心血管磁共振(cardiovascular magnetic resonance,CMR)無創(chuàng)無輻射、對心臟顯影敏感,能提供豐富的成像生物標(biāo)志物來評估心血管結(jié)構(gòu)與功能。但CMR掃描時(shí)間較長,會導(dǎo)致運(yùn)動偽影的產(chǎn)生。Lyu等［28］設(shè)計(jì)了一個(gè)GAN模型,利用雙向卷積LSTM和多尺度卷積結(jié)構(gòu)來提高模型性能。此模型能提取更多時(shí)態(tài)和多尺度空間特征,以提高心臟MRI圖像的質(zhì)量和時(shí)間分辨率,在有效減少運(yùn)動偽影的同時(shí)縮短成像時(shí)間。

心臟結(jié)構(gòu)的精準(zhǔn)分割是評價(jià)各項(xiàng)指標(biāo)的前提。Guo等［29］將連續(xù)核分割和圖像網(wǎng)格連續(xù)正則化方法應(yīng)用于U-Net和CNN模型,在較小的心臟MRI數(shù)據(jù)上訓(xùn)練,降低了分割變異性和額外計(jì)算成本的同時(shí)提高了準(zhǔn)確性和可重復(fù)性。相比于左心室,右心室的幾何形狀更加不規(guī)則,手動分割非常耗時(shí)。Wang等［30］在CMR圖像中利用深度學(xué)習(xí)算法測量了右心室EF、右心室舒張末期容積和收縮末期容積,實(shí)現(xiàn)了右心室功能的自動評估,但結(jié)果顯示,10%的患者在右心室EF測量中仍有>10%的絕對誤差,這說明算法還有待提升。由于不同中心的數(shù)據(jù)之間存在差異,因此,有必要進(jìn)行多中心研究以證明模型的泛化能力。Tao等［31］基于4個(gè)醫(yī)療中心的3家供應(yīng)商提供的MRI圖像,使用U-Net結(jié)構(gòu)的網(wǎng)絡(luò)實(shí)時(shí)分割心內(nèi)膜和心外膜輪廓,并計(jì)算評估了左心室質(zhì)量、左心室EF等。與單個(gè)中心的研究比較,多供應(yīng)商、多中心數(shù)據(jù)能提高左心室分割的準(zhǔn)確性。

CMR可以提供多種心肌組織學(xué)特征,但異常組織的結(jié)構(gòu)、形狀的多樣性加大了心肌病理分割的難度。Cui等［32］提出一種以U-Net為主干的網(wǎng)絡(luò)結(jié)構(gòu),用于描繪左心室心肌瘢痕和水腫區(qū)域,在多序列CMR數(shù)據(jù)中驗(yàn)證了網(wǎng)絡(luò)執(zhí)行分割任務(wù)的有效性。Zhang等［33］在非增強(qiáng)的電影MRI圖像上,采用深度學(xué)習(xí)方法檢測心肌梗死發(fā)生的區(qū)域、大小及透壁性,對于慢性心肌梗死的準(zhǔn)確描述和綜合評估具有重要的臨床意義。

深度學(xué)習(xí)在CMR的部分研究已經(jīng)取得了較好的結(jié)果。Karimi-Bidhendi等［34］基于GAN生成的CMR圖像及其對應(yīng)的分割數(shù)據(jù)集,提出了分析先天性心臟病的全自動分割方法,其結(jié)果與手動分割具有高度一致性。Augusto等［35］使用來自3家機(jī)構(gòu)的CMR數(shù)據(jù),訓(xùn)練具有U-Net結(jié)構(gòu)的深度學(xué)習(xí)算法,實(shí)現(xiàn)了左心室最大壁厚的準(zhǔn)確測量,算法的精度明顯優(yōu)于心肌病專家。心臟淀粉樣變性作為一種特異性心肌病,存在較高的誤診率與漏診率。Martini等［36］利用CNN在CMR中實(shí)現(xiàn)心肌淀粉樣變性的二分類(AUC=0.982),預(yù)測的準(zhǔn)確率和靈敏度分別為88%和95%。Germain等［37］比較了深度學(xué)習(xí)算法與經(jīng)驗(yàn)豐富的醫(yī)師在CMR影像中區(qū)分心臟淀粉樣變性和左心室肥厚的能力,結(jié)果發(fā)現(xiàn),VGG網(wǎng)絡(luò)診斷的準(zhǔn)確性和AUC比人類操作員高出了15%～20%。

3 總結(jié)與展望

3.1 局限性與挑戰(zhàn) 人工智能在心血管影像中的應(yīng)用,已經(jīng)從心臟的識別、分割發(fā)展到了EF、左心室容積、心臟脂肪組織、鈣化積分的定量計(jì)算,還能用于識別頸動脈斑塊、肥厚性心肌病、心臟淀粉樣變性、心力衰竭、心肌梗死等心血管事件。雖然已經(jīng)取得了一定的研究成果,但仍然存在許多問題與挑戰(zhàn)。

首先,缺乏可解釋性是人工智能技術(shù)面臨的共性問題,大部分深度學(xué)習(xí)算法類似于“黑匣子”,直接由輸入得到輸出,缺乏透明性和可解釋性,這會導(dǎo)致臨床醫(yī)師的不信任。其次,深度學(xué)習(xí)對訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量有著較高要求,但不同中心的成像數(shù)據(jù)存在差異,由于患者隱私保護(hù)等原因,很難實(shí)現(xiàn)多中心數(shù)據(jù)共享。最后,算力也是人工智能的核心要素,大規(guī)模的影像數(shù)據(jù)對硬件有著更高的要求,但隨著高性能計(jì)算機(jī)、云計(jì)算和大數(shù)據(jù)技術(shù)的不斷發(fā)展,醫(yī)院大數(shù)據(jù)計(jì)算中心的建立,此問題正在逐步得到解決。

3.2 未來展望 目前,基于多中心的研究相對較少,但近年來數(shù)量在不斷增長。要實(shí)現(xiàn)臨床應(yīng)用,算法的通用性就顯得尤為重要。小樣本的訓(xùn)練數(shù)據(jù)會導(dǎo)致深度學(xué)習(xí)模型的過擬合,遷移學(xué)習(xí)的方式可以解決此問題,但在復(fù)雜的醫(yī)學(xué)影像中的應(yīng)用還有一定難度。隨著國家大力推進(jìn)醫(yī)療信息化改革,有望通過建立標(biāo)準(zhǔn)統(tǒng)一的共享數(shù)據(jù)庫,數(shù)據(jù)歸一化和重采樣等方法消除多中心數(shù)據(jù)的差異性。

深度學(xué)習(xí)與醫(yī)學(xué)影像的結(jié)合,可以很好地為臨床診斷賦能,但人工智能完全取代人類是不可取的。利用深度學(xué)習(xí)技術(shù)進(jìn)行智能化臨床監(jiān)測、輔助醫(yī)師做出決策,實(shí)現(xiàn)醫(yī)工融合是未來發(fā)展的必然趨勢。此外,影像組學(xué)和多模態(tài)數(shù)據(jù)融合,能為深度學(xué)習(xí)算法提供更多有利信息,具有較高的研究價(jià)值。

建立共享的、大型的高質(zhì)量影像數(shù)據(jù)庫,解決數(shù)據(jù)分布的不平衡;優(yōu)化深度學(xué)習(xí)算法,提高可解釋和透明度,解決過擬合問題;提高臨床醫(yī)師對人工智能算法的接受度和信任度,均是未來仍需要努力的方向。隨著人工智能的不斷發(fā)展,深度學(xué)習(xí)有望給心血管影像領(lǐng)域帶來更大的變革。