人工智能在心功能評(píng)估中的應(yīng)用

蔡雨琪綜述，吳偉春審校

人工智能是通過(guò)模擬人類(lèi)的學(xué)習(xí)思維過(guò)程，分析當(dāng)前大數(shù)據(jù)時(shí)代下繁雜的數(shù)據(jù)，提高人類(lèi)工作效率的一種工具。目前機(jī)器學(xué)習(xí)以及機(jī)器學(xué)習(xí)的子集深度學(xué)習(xí)是人工智能最常用的子集，深度學(xué)習(xí)常用來(lái)分析臨床原始數(shù)據(jù)和影像圖像等[1]，機(jī)器學(xué)習(xí)常常用于預(yù)測(cè)、評(píng)估心血管疾病的嚴(yán)重程度及預(yù)后[2]。目前，人工智能在醫(yī)學(xué)上應(yīng)用普遍，在心血管方面已逐步涉及。心力衰竭在人群中發(fā)病率高，嚴(yán)重減低患者的生活質(zhì)量和壽命，給社會(huì)造成了巨大的壓力和負(fù)擔(dān)[3-4]。尤其是射血分?jǐn)?shù)保留的心力衰竭（HFpEF），占因心力衰竭入院患者的一半以上[5]，而HFpEF 沒(méi)有單一的診斷標(biāo)準(zhǔn)和治療指南，預(yù)后往往也更差，準(zhǔn)確的評(píng)估患者的心功能尤其是舒張功能，對(duì)早期HFpEF 診斷治療以及評(píng)估預(yù)后有重要意義。目前評(píng)估心功能的手段較多，但評(píng)估效能不一，人為測(cè)量差異大，評(píng)估的指標(biāo)繁多，臨床醫(yī)師無(wú)法對(duì)每一位患者進(jìn)行全面的心功能評(píng)估，人工智能以其特有的優(yōu)勢(shì)，被逐步應(yīng)用于心功能評(píng)估中，有望輔助臨床醫(yī)生高效診斷治療心功能不全患者，引領(lǐng)心血管診療走向更加精準(zhǔn)、個(gè)體化的方向[6]?，F(xiàn)對(duì)人工智能在心功能評(píng)估中的應(yīng)用進(jìn)展做一綜述。

1 人工智能在心血管疾病領(lǐng)域的發(fā)展概況

人工智能最開(kāi)始被認(rèn)為是制造智能機(jī)器的科學(xué)，現(xiàn)在，人工智能更多的利用算法，賦予機(jī)器智能推理和執(zhí)行功能的能力，并隨著科技進(jìn)步，逐步轉(zhuǎn)化到各個(gè)學(xué)科。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是人工智能的子集，被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域。機(jī)器學(xué)習(xí)是機(jī)器自動(dòng)學(xué)習(xí)參數(shù)的過(guò)程，可分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)主要是對(duì)數(shù)據(jù)集進(jìn)行標(biāo)記，進(jìn)行回歸分析和預(yù)測(cè)，非監(jiān)督學(xué)習(xí)對(duì)數(shù)據(jù)集進(jìn)行降維和聚類(lèi)，發(fā)現(xiàn)樣本之間的關(guān)系[7]。而深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一個(gè)子集，但深度學(xué)習(xí)的復(fù)雜程度和智能水平高于機(jī)器學(xué)習(xí)本身，深度學(xué)習(xí)通過(guò)模擬人腦的神經(jīng)系統(tǒng)，形成卷積神經(jīng)網(wǎng)絡(luò)模型或遞歸神經(jīng)網(wǎng)絡(luò)模型等，自動(dòng)對(duì)數(shù)據(jù)集的聯(lián)系進(jìn)行分析[8]。在建立人工智能模型的過(guò)程中，數(shù)據(jù)集被劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集通常包含大量可用數(shù)據(jù)，并與較小的驗(yàn)證集一起，用于模型的開(kāi)發(fā)，測(cè)試集用于評(píng)估模型的適用性[9]。

人工智能在心血管疾病的多個(gè)領(lǐng)域廣泛應(yīng)用，包括對(duì)瓣膜病的嚴(yán)重程度評(píng)估和預(yù)后預(yù)測(cè)[10]。深度學(xué)習(xí)算法在預(yù)測(cè)肺動(dòng)脈高壓患者的預(yù)后和未來(lái)事件方面明顯優(yōu)于臨床醫(yī)生[11]。此外，人工智能在識(shí)別心律失常中亦發(fā)揮了重要作用，利用深度學(xué)習(xí)模型開(kāi)發(fā)人工智能心電圖儀以及智能手表，可以自動(dòng)識(shí)別心房顫動(dòng)等心律失常，監(jiān)測(cè)個(gè)體的心電數(shù)據(jù)情況，為心律失常的診療帶來(lái)巨大變化[12]。

2 人工智能在心功能評(píng)估的應(yīng)用

心臟功能常常運(yùn)用超聲心動(dòng)圖、MRI 等影像學(xué)手段進(jìn)行評(píng)估，超聲心動(dòng)圖包括二維超聲心動(dòng)圖、三維超聲心動(dòng)圖、M 型超聲心動(dòng)圖等，具有便攜、實(shí)用、價(jià)格低廉、無(wú)放射性等優(yōu)點(diǎn)，可用于評(píng)估心臟的結(jié)構(gòu)和功能，但超聲心動(dòng)圖結(jié)果的準(zhǔn)確性依賴(lài)于操作者水平，圖像質(zhì)量水平不一。而MRI 具有高組織分辨率和空間分辨率，成像效果好、重復(fù)性好等優(yōu)點(diǎn)，但MRI 檢查價(jià)格高昂、檢查周期長(zhǎng)，不能被廣泛應(yīng)用于常規(guī)的心臟檢查中[13]。利鈉肽的水平對(duì)評(píng)估心功能也有重要意義[14]，但利鈉肽的水平受到性別、年齡等因素的影響，部分心功能減低患者利鈉肽水平仍保持在正常濃度[15]。心功能不全常常是其他心血管疾病的晚期并發(fā)癥，許多患者早期不表現(xiàn)出任何臨床癥狀，常常進(jìn)展到晚期才出現(xiàn)臨床癥狀，生存質(zhì)量和壽命明顯減低。梅奧中心指出現(xiàn)有的指南指導(dǎo)下心功能不全的治療效果并不理想，有必要重新定義心力衰竭的診斷標(biāo)準(zhǔn)和治療策略[16]，應(yīng)用人工智能分析臨床相關(guān)數(shù)據(jù)，有助于早期發(fā)現(xiàn)心功能不全患者，發(fā)現(xiàn)疾病的新的表型分類(lèi)，為當(dāng)前診斷標(biāo)準(zhǔn)提供更好更精確的策略，為心血管診療帶來(lái)更多進(jìn)步和機(jī)會(huì)。

2.1 人工智能在左心室收縮功能中的應(yīng)用

超聲心動(dòng)圖是定量評(píng)估左心室功能的常用手段，其中左心室射血分?jǐn)?shù)（LVEF）是評(píng)估左心室收縮功能最常用的指標(biāo)，對(duì)如急性冠狀動(dòng)脈綜合征、急性心肌炎、心力衰竭的預(yù)后具有預(yù)測(cè)意義，此外，LVEF 值對(duì)臨床心力衰竭的分類(lèi)有重要意義。二維超聲心動(dòng)圖獲取射血分?jǐn)?shù)值的方式包括：M 型超聲心動(dòng)圖法和辛普森雙平面法。這兩種方法因?yàn)槭艿郊⌒×旱鹊母蓴_以及選取的切面視圖短縮導(dǎo)致獲得的射血分?jǐn)?shù)值不準(zhǔn)確，Asch 等[17]利用5 萬(wàn)份來(lái)自超聲心動(dòng)圖數(shù)據(jù)庫(kù)的圖像，構(gòu)建深度學(xué)習(xí)模型，模擬人眼的直接評(píng)估LVEF，將構(gòu)建的模型對(duì)99 例患者進(jìn)行檢測(cè)，自動(dòng)獲取射血分?jǐn)?shù)值，其結(jié)果與3 名專(zhuān)家使用上述的兩種傳統(tǒng)方式獲得的射血分?jǐn)?shù)值進(jìn)行比較，兩種方式的一致性高：r=0.94，偏倚=1.4%，一致性限度=±13.4%，敏感度93%，特異度87%，表明模型自動(dòng)獲得的射血分?jǐn)?shù)值和專(zhuān)家組人工獲取的射血分?jǐn)?shù)值可信度相當(dāng)。三維超聲心動(dòng)圖不需要對(duì)心臟進(jìn)行幾何假設(shè)，避免因?yàn)橐晥D短縮而導(dǎo)致心室容積被低估，機(jī)器學(xué)習(xí)模型可以自動(dòng)識(shí)別心內(nèi)膜和心外膜，識(shí)別心臟周期的舒張末期和收縮末期，構(gòu)建3D 的左心室腔模型和容積[17-19]，從而獲得LVEF，獲取的結(jié)果重復(fù)性強(qiáng)，與全手工后處理的結(jié)果相比，可信度高r值達(dá)到0.88，如果醫(yī)生認(rèn)為機(jī)器識(shí)別的邊界需要調(diào)整，可以手動(dòng)對(duì)心內(nèi)膜和心外膜邊緣進(jìn)行編輯，編輯后獲取的LVEF 等參數(shù)的準(zhǔn)確性明顯提高，其r值增加到0.94[19]。同時(shí)，檢測(cè)左心室功能的同時(shí)，三維超聲心動(dòng)圖可自動(dòng)分析左心房，獲取左心房容積，為臨床醫(yī)生評(píng)估心功能提供更全面的數(shù)據(jù)[19]。

人工智能利用分類(lèi)以及回歸算法，可學(xué)習(xí)病例中的客觀的臨床特征數(shù)據(jù)與左心室收縮功能之間的聯(lián)系，構(gòu)建機(jī)器學(xué)習(xí)模型，對(duì)患者的左心收縮功能進(jìn)行評(píng)估[15,20-21]。在一項(xiàng)對(duì)因呼吸困難而入急診的患者回顧性研究中，Attia 等[20,22]獲取1 606 例患者的心電圖數(shù)據(jù)，利用Tensorflow（谷歌張量流圖，一種學(xué)習(xí)系統(tǒng)）+Keras 深度學(xué)習(xí)庫(kù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò),對(duì)訓(xùn)練集內(nèi)的所有患者的12 導(dǎo)聯(lián)心電圖進(jìn)行學(xué)習(xí)，在訓(xùn)練過(guò)程中，輸入由12×5000 個(gè)矩陣組成的十二導(dǎo)聯(lián)心電圖，神經(jīng)網(wǎng)絡(luò)使用卷積層對(duì)每張圖片進(jìn)行特征提取，通過(guò)一層全連接層使用softmax 激活并實(shí)現(xiàn)對(duì)心電圖的分類(lèi)，將該分類(lèi)結(jié)果與實(shí)際的分類(lèi)進(jìn)行比較，最后進(jìn)行adam 算法，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，獲取相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型自動(dòng)評(píng)估受試者的LVEF值，識(shí)別LVEF<35%的患者準(zhǔn)確度、特異度、敏感度、AUC 分別為86.5%、86.8%、82.5%、0.918[16]，使用心電圖以及其他臨床特征可以有效識(shí)別射血分?jǐn)?shù)減低的急診患者，而且模型預(yù)測(cè)LVEF 的效能高于利鈉肽的預(yù)測(cè)效能[15,20]，這是因?yàn)槔c肽的濃度受到年齡、性別的影響，神經(jīng)網(wǎng)絡(luò)可以克服這一缺陷，對(duì)多個(gè)臨床特征進(jìn)行自動(dòng)分析，更準(zhǔn)確的識(shí)別LVEF<35%的人群，此外神經(jīng)網(wǎng)絡(luò)能自動(dòng)分類(lèi)識(shí)別出有左心室功能減低趨勢(shì)的患者，這些患者未來(lái)5年出現(xiàn)左心室收縮功能障礙的風(fēng)險(xiǎn)較正常人群增加了4 倍[22]。機(jī)器學(xué)習(xí)中的無(wú)監(jiān)督學(xué)習(xí)可對(duì)數(shù)據(jù)集內(nèi)部的相似性進(jìn)行學(xué)習(xí)聚類(lèi)，可以利用心電圖數(shù)據(jù)對(duì)收縮功能障礙的患者進(jìn)行自動(dòng)聚類(lèi)[22]，利用基層醫(yī)院可行的心電圖等檢查手段早期篩查出收縮功能障礙以及有收縮功能減低趨勢(shì)的患者，并可利用心電圖等其他的臨床數(shù)據(jù)對(duì)患者的射血分?jǐn)?shù)值實(shí)時(shí)評(píng)估，當(dāng)發(fā)生射血分?jǐn)?shù)顯著降低時(shí)及時(shí)進(jìn)行干預(yù)。

MRI 檢查通過(guò)對(duì)圖像進(jìn)行后處理，專(zhuān)業(yè)醫(yī)師手動(dòng)描記心室內(nèi)膜邊界，獲取左心室收縮末期和舒張末期的容積，評(píng)估左心室射血功能，需耗費(fèi)大量時(shí)間，而且不同水平的醫(yī)師描記的結(jié)果可信度也有差異。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型自動(dòng)對(duì)心內(nèi)膜進(jìn)行分割、描記心內(nèi)膜邊界[7,23]，建立穩(wěn)定的心臟模型，利用分類(lèi)器如softmax 等識(shí)別心臟時(shí)相，準(zhǔn)確識(shí)別心室舒張末期和收縮末期[24]，獲取左心室的容積、質(zhì)量、心肌室壁厚度和心臟功能[7,24]，其中壓縮感知成像可從小樣本數(shù)據(jù)庫(kù)快速采集圖像，加速對(duì)心臟的重建[25]，并行成像以及實(shí)時(shí)成像加速M(fèi)RI 圖像的獲取[24,26]，聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，使臨床應(yīng)用MRI 全自動(dòng)重建分析心臟功能成為可能。B?ttcher等[27]利用機(jī)器學(xué)習(xí)快速獲取心室容積-時(shí)間曲線，獲取整個(gè)心動(dòng)周期的左心室容積變化數(shù)據(jù)，與傳統(tǒng)的手動(dòng)分析手段相比，準(zhǔn)確性差異無(wú)統(tǒng)計(jì)學(xué)意義，但對(duì)每個(gè)患者的分析時(shí)間從（43±14）min 顯著縮減到（2.5±0.5）min，實(shí)現(xiàn)了實(shí)時(shí)MRI 評(píng)估心功能，實(shí)時(shí)獲取的左心室容積和變化參數(shù)具有潛在的臨床意義。

2.2 人工智能在左心室舒張功能中的應(yīng)用

對(duì)于LVEF 降低的心力衰竭患者，舒張功能指數(shù)變化早于收縮功能，且舒張功能對(duì)心力衰竭患者的治療效果和預(yù)后意義更大[28]，此外，舒張功能不全的患者在人群中隱匿性強(qiáng)，可不表現(xiàn)出任何癥狀，準(zhǔn)確的評(píng)估左心室舒張功能，識(shí)別舒張功能降低的患者，有助于對(duì)心力衰竭患者進(jìn)行早期診療和改善預(yù)后。超聲心動(dòng)圖是評(píng)估左心室舒張功能的重要手段[29]，人工智能采用二尖瓣舒張?jiān)缙诤屯砥诘姆逯邓俣菶 峰和A 峰以及E/A、組織多普勒二尖瓣環(huán)舒張?jiān)缙谒俣萫’、三尖瓣反流峰值流速、左心房容積指數(shù)、左心室質(zhì)量等超聲心動(dòng)圖參數(shù)評(píng)估左心室舒張功能[21,29]，其中，舒張?jiān)缙诙獍戥h(huán)速度e’是最成熟的用于評(píng)估心肌舒張功能的參數(shù)之一,通常在其他超聲心動(dòng)圖指標(biāo)改變之前提示心肌損傷[30-31]，常常用來(lái)訓(xùn)練評(píng)估舒張功能的機(jī)器學(xué)習(xí)模型。有學(xué)者通過(guò)整合體表信號(hào)處理心電圖、12 導(dǎo)聯(lián)心電圖的數(shù)據(jù)和臨床特征建立評(píng)估舒張功能的監(jiān)督機(jī)器學(xué)習(xí)模型，預(yù)測(cè)的準(zhǔn)確程度和超聲心動(dòng)圖評(píng)估的準(zhǔn)確程度相當(dāng)[21,31]。在一項(xiàng)從四個(gè)北美機(jī)構(gòu)納入1 202 名受試者的前瞻性研究中，利用訓(xùn)練組的心電數(shù)據(jù)和臨床特征構(gòu)建的機(jī)器學(xué)習(xí)模型，可以預(yù)測(cè)受試者超聲心動(dòng)圖組織多普勒的e'速度，內(nèi)部測(cè)試集和外部測(cè)試集預(yù)測(cè)值與實(shí)際e'速度相當(dāng)[31]。此外，左心室的容積變化和整體縱向應(yīng)變模式也常用于定量評(píng)估左心室舒張功能，深度學(xué)習(xí)和機(jī)器學(xué)習(xí)通過(guò)分析超聲心動(dòng)圖圖像，快速預(yù)測(cè)左心室的容積和整體縱向應(yīng)變[19]，預(yù)測(cè)結(jié)果和MRI 結(jié)果具有良好的一致性[18]。

左心舒張功能減低患者靜息狀態(tài)下可能不表現(xiàn)出任何癥狀，但心臟舒張儲(chǔ)備功能明顯下降，負(fù)荷狀態(tài)下的心肌不能代償，表現(xiàn)為心肌的舒張運(yùn)動(dòng)模式異常，心肌僵硬度增加[32]，指南建議將心臟儲(chǔ)備功能作為評(píng)估心功能不全的常規(guī)檢查[14]。有研究獲取受試者的靜息時(shí)和負(fù)荷下的不同時(shí)相的左心室長(zhǎng)軸間隔壁和后壁心肌運(yùn)動(dòng)的模式數(shù)據(jù)，用于構(gòu)建無(wú)監(jiān)督機(jī)器學(xué)習(xí)模型，通過(guò)降維獲取數(shù)據(jù)中的相似性，再利用聚類(lèi)將相似的特征提取出來(lái)，獲得了四個(gè)表型不同的亞組，可更準(zhǔn)確的幫助臨床醫(yī)生評(píng)估患者的心肌舒張功能，提供更加精準(zhǔn)的治療策略和預(yù)后價(jià)值[33]。

3 人工智能與右心室功能

MRI 是評(píng)估右心室功能的金標(biāo)準(zhǔn)[27,34]，能客觀評(píng)估心腔的結(jié)構(gòu)和功能，通過(guò)對(duì)專(zhuān)家手動(dòng)分析的MRI 圖像數(shù)據(jù)進(jìn)行學(xué)習(xí)，構(gòu)建機(jī)器學(xué)習(xí)模型，描記右心室心內(nèi)膜邊界[23]，自動(dòng)重建心臟模型，獲取右心室心肌運(yùn)動(dòng)模式，能精確的識(shí)別出肺動(dòng)脈高壓患者不良事件發(fā)生的概率，精確度高于右心室射血分?jǐn)?shù)以及右心室應(yīng)變[7]。MRI 是評(píng)估右心室射血分?jǐn)?shù)和容積的金標(biāo)準(zhǔn)，但目前MRI 檢查成本高，檢查周期長(zhǎng)，三維經(jīng)食道超聲心動(dòng)圖比MRI 檢查更易獲取和操作，有軟件公司開(kāi)發(fā)的機(jī)器學(xué)習(xí)模型對(duì)3D-TEE 圖像進(jìn)行自動(dòng)分析，獲取右心室的容積和射血分?jǐn)?shù)值，其中三分之一的患者可以完全自動(dòng)化分析，時(shí)間僅需（15±1）s，而剩下的三分之二的患者需要經(jīng)過(guò)2 min 左右的手動(dòng)描邊后獲取右心室功能。所有的病例的結(jié)果具有良好的重現(xiàn)性，準(zhǔn)確度和MRI 評(píng)估結(jié)果一致[35]。Liu 等[36]使用基于人工智能算法的分析軟件對(duì)術(shù)中三維經(jīng)食道超聲心動(dòng)圖的右心室圖像進(jìn)行全自動(dòng)分析，評(píng)估右心室功能相關(guān)參數(shù)之間的關(guān)系，發(fā)現(xiàn)右心室面積變化分?jǐn)?shù)和右心室長(zhǎng)軸應(yīng)變之間有很強(qiáng)的相關(guān)性，且獲取的參數(shù)的重復(fù)性高，因此可利用人工智能軟件，對(duì)患者的應(yīng)變參數(shù)進(jìn)行分析，進(jìn)一步研究應(yīng)變值與術(shù)前危險(xiǎn)分層以及術(shù)后預(yù)后的關(guān)系。

三維經(jīng)食道超聲心動(dòng)圖能精確評(píng)估右心室功能，但操作困難，有創(chuàng)，二維經(jīng)胸超聲相對(duì)三維超聲更易獲取，更安全。二維超聲獲取參數(shù)如右心室收縮壓、肺動(dòng)脈舒張壓、三尖瓣環(huán)收縮期位移、右心室面積變化分?jǐn)?shù)、三尖瓣環(huán)收縮峰值速率S’速度被用來(lái)評(píng)估右心室的功能，利用機(jī)器學(xué)習(xí)分析發(fā)現(xiàn)三尖瓣環(huán)收縮期位移和S’預(yù)測(cè)評(píng)估右心室功能降低的精確度最高[37]。一項(xiàng)利用機(jī)器學(xué)習(xí)模型預(yù)測(cè)安裝左心室輔助裝置患者發(fā)生右心衰竭的研究提出，在所有右心室功能相關(guān)參數(shù)中，Michigan risk score（用于評(píng)估安裝左心室輔助裝置的患者發(fā)生右心室心力衰竭風(fēng)險(xiǎn)的風(fēng)險(xiǎn)評(píng)分手段[38]）、中心靜脈壓、右心室尖端游離壁的收縮期長(zhǎng)軸應(yīng)變對(duì)預(yù)測(cè)急性右心衰竭的準(zhǔn)確性最高，右心室中段游離壁的收縮期應(yīng)變、三尖瓣環(huán)收縮期位移、右心房應(yīng)變?cè)陬A(yù)測(cè)患者發(fā)生慢性右心衰竭的準(zhǔn)確性最高，為預(yù)測(cè)左心室輔助裝置植入術(shù)后右心衰竭提供更敏感的參數(shù)，協(xié)助臨床醫(yī)生快速處理并發(fā)癥[39]。

4 結(jié)論與展望

人工智能能通過(guò)學(xué)習(xí)客觀的臨床特征如心電圖等評(píng)估預(yù)測(cè)患者的心功能，在心血管疾病的臨床應(yīng)用中有巨大潛力，利用現(xiàn)有自動(dòng)分析軟件，分析超聲心動(dòng)圖和MRI 的圖像，快速描記心內(nèi)膜邊界，獲取心室的大小、容積、質(zhì)量、功能、運(yùn)動(dòng)模式等。通過(guò)對(duì)大樣本的臨床數(shù)據(jù)進(jìn)行學(xué)習(xí)和分析，可以識(shí)別心功能減低的人群、發(fā)現(xiàn)疾病的新的亞型、構(gòu)建新的有特征性的心功能不全表型分類(lèi)、判斷患者的預(yù)后或者發(fā)生心功能不全的風(fēng)險(xiǎn)，輔助臨床醫(yī)生對(duì)患者進(jìn)行個(gè)性化精確治療。然而，當(dāng)前人工智能仍有其局限性，如機(jī)器學(xué)習(xí)模型評(píng)估心功能時(shí)大多數(shù)是對(duì)超聲心動(dòng)圖獲取的數(shù)據(jù)進(jìn)行標(biāo)記構(gòu)建機(jī)器學(xué)習(xí)模型，而獲得的超聲心動(dòng)圖質(zhì)量并不完全一致，低質(zhì)量的數(shù)據(jù)不能準(zhǔn)確的預(yù)測(cè)患者的心臟功能。此外，大多數(shù)研究受試者樣本量集中于某一地區(qū)，這樣獲得的機(jī)器學(xué)習(xí)模型在該地區(qū)的預(yù)測(cè)效果好，但對(duì)其他地區(qū)人群的評(píng)估結(jié)果較差，模型不具有普適性。大多數(shù)分類(lèi)模型是對(duì)樣本進(jìn)行的回顧性分析，未對(duì)受試者的預(yù)后進(jìn)行追蹤，而通過(guò)聚類(lèi)分析，獲得的特點(diǎn)相似分組的治療效果和預(yù)后對(duì)疾病的危險(xiǎn)分層和治療有重要意義，尤其是對(duì)HEpEF 患者尤其重要。在圖像識(shí)別方面，人工智能的識(shí)別準(zhǔn)確性很大程度依賴(lài)于圖像的質(zhì)量。此外，當(dāng)前的人工智能模型如同一個(gè)“黑箱”，人們即使能理解算法的數(shù)學(xué)原理，也很難理解這些算法是如何做出決定的，人工智能無(wú)法解釋黑箱內(nèi)部的結(jié)構(gòu)和相互之間的因果關(guān)系[40]。

人工智能可以有效地幫助人類(lèi)拓寬認(rèn)知的邊界，但人類(lèi)的理性的敏銳的思維是人工智能無(wú)法替代的，不可否認(rèn)，人工智能為心功能的評(píng)估提供了巨大的機(jī)會(huì)，它正在改變?cè)\療的格局，為臨床醫(yī)生提供有力的輔助工具，提高患者的生活質(zhì)量和生存時(shí)間。不久的將來(lái)，人工智能的快速發(fā)展將會(huì)帶領(lǐng)我們進(jìn)入心血管診療的新時(shí)代。

利益沖突：所有作者均聲明不存在利益沖突