人工智能在心血管超聲應(yīng)用中的現(xiàn)狀和前景

金占強(qiáng)

（桂林醫(yī)學(xué)院附屬醫(yī)院超聲科，廣西 桂林 541001）

大數(shù)據(jù)是現(xiàn)代醫(yī)學(xué)模式的重要特征。在這種醫(yī)療模式下，要求醫(yī)療人員在確?；颊甙踩徒】档耐瑫r(shí)追求效率的最大化[1]。對(duì)于高分辨率的醫(yī)學(xué)影像成像，集中體現(xiàn)在醫(yī)務(wù)人員快速、準(zhǔn)確、有效地解釋影像數(shù)據(jù)（包括肉眼可見(jiàn)和不可見(jiàn)），挖掘利于診斷和治療的有用信息。在此背景下，人工智能（artificial intelligence，AI）應(yīng)運(yùn)而生，它為促進(jìn)圖像采集、測(cè)量、報(bào)告和隨后的臨床路徑以及影像和臨床數(shù)據(jù)的整合提供了有效手段[2]。心血管影像的精確性成為AI臨床應(yīng)用中的主要領(lǐng)域之一，本文對(duì)此作一綜述。

1 人工智能及其在醫(yī)學(xué)上的應(yīng)用

AI是一個(gè)廣義的術(shù)語(yǔ)，指的是機(jī)器或計(jì)算程序執(zhí)行具有人類智能特征的任務(wù)的能力，如模式識(shí)別和解決問(wèn)題的能力等。AI可以通過(guò)彌補(bǔ)人類智能，使現(xiàn)有醫(yī)療診斷和預(yù)后價(jià)值最大化，同時(shí)使醫(yī)師負(fù)擔(dān)最小化，從而顯著改善健康診療過(guò)程和結(jié)果。AI在臨床實(shí)踐中的應(yīng)用預(yù)示著醫(yī)學(xué)領(lǐng)域一個(gè)更為劇烈變化時(shí)代的到來(lái)，在影像學(xué)方面尤其如此。一項(xiàng)通過(guò)分析科學(xué)網(wǎng)數(shù)據(jù)庫(kù)的研究[3]發(fā)現(xiàn)，目前AI在醫(yī)學(xué)的研究領(lǐng)域主要集中在大數(shù)據(jù)分析、腦卒中康復(fù)、心臟手術(shù)和醫(yī)療診斷和預(yù)后預(yù)測(cè)等方面。其中，用于醫(yī)學(xué)診斷、預(yù)后預(yù)測(cè)和分類的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)是主要熱點(diǎn)，占所有文獻(xiàn)的26%；而未來(lái)最引人關(guān)注的研究主題是基于AI的微創(chuàng)手術(shù)。然而，關(guān)于AI數(shù)據(jù)管理、模型可靠性、模型臨床效用驗(yàn)證等問(wèn)題尚未進(jìn)行廣泛研究。

2 人工智能的機(jī)器學(xué)習(xí)法

大數(shù)據(jù)是一個(gè)經(jīng)常用來(lái)描述大量收集數(shù)據(jù)的術(shù)語(yǔ)，如來(lái)自大型生物信息庫(kù)的基因組數(shù)據(jù)、電子健康記錄檔案和大型研究隊(duì)列數(shù)據(jù)以及影像學(xué)掃描數(shù)據(jù)等。AI系統(tǒng)通過(guò)識(shí)別和提取一組觀測(cè)數(shù)據(jù)（數(shù)據(jù)集）的模式來(lái)自主獲取知識(shí)的過(guò)程稱為機(jī)器學(xué)習(xí)（machine learning，ML）。ML是人工智能的一個(gè)組成部分，描述為計(jì)算機(jī)從經(jīng)驗(yàn)中學(xué)習(xí)的過(guò)程，并在沒(méi)有事先知識(shí)的情況下執(zhí)行預(yù)定的任務(wù)[4]。機(jī)器學(xué)習(xí)可以進(jìn)一步分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，這取決于用于學(xué)習(xí)的樣本是否完全標(biāo)記、部分標(biāo)記或未標(biāo)記。ML的典型例子是人工神經(jīng)網(wǎng)絡(luò)，后者基于人類大腦的神經(jīng)元及其連接，神經(jīng)元之間的相互依賴關(guān)系反映出不同的權(quán)重，每個(gè)神經(jīng)元接受多個(gè)輸入，所有的輸入一起決定了神經(jīng)元的激活。通過(guò)樣本訓(xùn)練找到這些合適權(quán)重的過(guò)程就是學(xué)習(xí)。學(xué)習(xí)過(guò)程的復(fù)雜性和所需的樣本量隨著神經(jīng)元數(shù)量的增加而增加。由于計(jì)算能力和樣本大小的限制，機(jī)器學(xué)習(xí)應(yīng)用程序的成功依賴于從原始樣本中手工提取特征來(lái)減少神經(jīng)元的數(shù)量。為了解決這一問(wèn)題，人們提出了深度學(xué)習(xí)的方法，即自動(dòng)學(xué)習(xí)代表性的樣本。深度學(xué)習(xí)是指一種特別強(qiáng)大的ML方法，它利用卷積神經(jīng)網(wǎng)絡(luò)模擬人類的認(rèn)知，常用于影像模式識(shí)別和分類。

模型訓(xùn)練是所有ML類型的共同過(guò)程，它是利用模型分析所提供的數(shù)據(jù)中的各種特性來(lái)學(xué)習(xí)如何生成輸出標(biāo)簽的過(guò)程[5]。如在超聲心動(dòng)圖中，一個(gè)模型可以分析各種特征，如左心室壁厚度和左心室射血分?jǐn)?shù)，以確定患者是否具有特定的條件。然而，在分析中包含不相關(guān)的特征可能會(huì)導(dǎo)致模型過(guò)度擬合，從而在呈現(xiàn)新數(shù)據(jù)集時(shí)降低其準(zhǔn)確性。這強(qiáng)調(diào)了擁有一個(gè)能夠代表總體的訓(xùn)練數(shù)據(jù)集的重要性。數(shù)據(jù)集的質(zhì)量對(duì)于最終ML模型的質(zhì)量至關(guān)重要。盡管ML算法可以使用小數(shù)據(jù)集或大數(shù)據(jù)集進(jìn)行訓(xùn)練，但大數(shù)據(jù)集可以最大限度地提高訓(xùn)練算法的內(nèi)部和外部有效性，降低過(guò)度擬合的風(fēng)險(xiǎn)。正確模型的選擇通常取決于操作員的專業(yè)知識(shí)、數(shù)據(jù)集的性質(zhì)和最終人工智能系統(tǒng)的目的。

3 人工智能在心血管超聲的應(yīng)用

心血管成像領(lǐng)域，包括超聲心動(dòng)圖、心臟計(jì)算機(jī)斷層掃描、心臟磁共振成像和核成像，具有復(fù)雜的成像技術(shù)和高容量的成像數(shù)據(jù)，處于精準(zhǔn)心臟病學(xué)革命的前沿。然而，在基于AI的臨床轉(zhuǎn)化方法中，心血管成像一直落后于腫瘤學(xué)等其他領(lǐng)域。人工智能在超聲心動(dòng)圖中的應(yīng)用包括自動(dòng)心室定量和射血分?jǐn)?shù)計(jì)算、應(yīng)變測(cè)量和瓣膜形態(tài)及功能評(píng)估以及ML在心臟疾病自動(dòng)診斷中的應(yīng)用。

3.1 心室定量和EF自動(dòng)化。自動(dòng)心室量化和EF計(jì)算的算法旨在提供準(zhǔn)確、快速和可重復(fù)的心尖視圖分類、解剖標(biāo)志檢測(cè)、心室壁分割和心內(nèi)膜跟蹤。有研究[6]比較了AI軟件自動(dòng)測(cè)量（AutoEF）和手工追蹤雙平面Simpson法測(cè)量左室EF的準(zhǔn)確性，并與心臟MRI進(jìn)行了比較。結(jié)果表明AutoEF與手動(dòng)雙平面Simpson法測(cè)得的EF相關(guān)性較好，且與MRI相關(guān)性良好，但AutoEF低估了左室舒張末期容積（EDV）和收縮期末期容積（ESV）。此外，在不同切面，測(cè)量的準(zhǔn)確性存在差異，以胸骨旁長(zhǎng)軸切面的準(zhǔn)確性最高，達(dá)96%，而在心尖切面時(shí)整體精度降低（84%）。腔室定量和左室EF測(cè)量的中位數(shù)絕對(duì)偏差在15%～17%，其中ESV的絕對(duì)偏差最?。蛔蠓咳莘e和左室EDV被高估。

3.2 心肌運(yùn)動(dòng)和應(yīng)變測(cè)量。Kusunose等[7]研究發(fā)現(xiàn)與傳統(tǒng)二維超聲心動(dòng)圖相比，利用深度卷積神經(jīng)網(wǎng)絡(luò)可更好的檢測(cè)區(qū)域壁運(yùn)動(dòng)異常并區(qū)分冠狀動(dòng)脈梗死區(qū)域。Cikes等[8]利用復(fù)雜超聲心動(dòng)圖數(shù)據(jù)（整個(gè)心動(dòng)周期的左室容積和變形數(shù)據(jù)，而不是單個(gè)數(shù)據(jù)點(diǎn)）和臨床參數(shù)的ML算法識(shí)別心衰并對(duì)心臟再同步化治療的反應(yīng)進(jìn)行評(píng)估，證實(shí)通過(guò)整合臨床參數(shù)和全心周期成像數(shù)據(jù)，無(wú)監(jiān)督的ML可以為表型異質(zhì)性心力衰竭隊(duì)列提供一個(gè)有臨床意義的分類，并可能有助于優(yōu)化特定治療的反應(yīng)率。另有研究證實(shí)[9-10]，ML算法有助于區(qū)分縮窄性心包炎、限制性心肌病以及肥厚性心肌的重塑。Zhang等[11]采用AI軟件和手工勾畫(huà)對(duì)左室心肌的縱向應(yīng)變進(jìn)行了比較研究。發(fā)現(xiàn)AI自動(dòng)測(cè)量的心肌全局縱向應(yīng)變與手動(dòng)應(yīng)變變化最?。ń^對(duì)值為1.4%～1.6%）。

3.3 心臟瓣膜評(píng)估。有學(xué)者[12]采用AI軟件對(duì)二尖瓣幾何形狀進(jìn)行測(cè)量，測(cè)量參數(shù)包括二尖瓣環(huán)面積、瓣環(huán)高度和寬度、瓣葉連合間距、前后葉長(zhǎng)度等。發(fā)現(xiàn)相對(duì)于常規(guī)超聲心動(dòng)圖，所有評(píng)估的成像參數(shù)均獲得了更好的觀察者間一致性，而且所花費(fèi)的時(shí)間明顯較少。Prihadi等[13]研究證實(shí)，經(jīng)食管超聲心動(dòng)圖AI軟件能夠精確地對(duì)主動(dòng)脈瓣結(jié)構(gòu)以及冠狀動(dòng)脈開(kāi)口進(jìn)行測(cè)量和定位，且與多層螺旋CT的測(cè)量結(jié)果具有良好的相關(guān)性。

4 展 望

在海量醫(yī)學(xué)信息和影像數(shù)字化日益積累的現(xiàn)代醫(yī)學(xué)時(shí)代，AI和ML為疾病診斷和風(fēng)險(xiǎn)預(yù)測(cè)等問(wèn)題提供了新的解決方案。通過(guò)AI對(duì)超聲心動(dòng)圖數(shù)據(jù)進(jìn)行預(yù)測(cè)、建模和精確分析，可以幫助超聲醫(yī)師快速、準(zhǔn)確地處理大量心臟超聲影像學(xué)數(shù)據(jù)，既有利于應(yīng)對(duì)當(dāng)前醫(yī)療信息數(shù)量的急劇增長(zhǎng)，又有利于提高處理數(shù)據(jù)信息的能力。未來(lái)，針對(duì)AI的研究應(yīng)關(guān)注超聲圖像數(shù)據(jù)特征定義及其提取方法的標(biāo)準(zhǔn)化，以確?？赏茝V性和可再現(xiàn)性，促進(jìn)AI向更加個(gè)性化的醫(yī)療模式轉(zhuǎn)變。此外，AI系統(tǒng)與遠(yuǎn)程醫(yī)療等軟件的集成，將使智能心臟超聲診斷系統(tǒng)滲透到資源消耗負(fù)擔(dān)最繁重的地區(qū)，提高經(jīng)濟(jì)效益。