人工智能在心血管影像中的应用进展

人工智能(artificial intelligence，AI)描述了一种计算程序，它可以执行具有人类智能特征的任务，在医学方面的应用主要包括智能诊疗、影像识别、药物研发及医疗机器人方面[1]。数据的增多、计算能力的提高促进了人工智能在医疗领域的应用和开发[2]。2020年，人工智能的研究呈爆发性增长，应用于心血管医学影像的各个领域，包括心脏彩超、心脏计算机断层成像(computed tomography，CT)，心脏磁共振成像(magnetic resonance imaging，MRI)及心脏核素显像等[3]。人工智能能够辅助临床医生决策，提升自动化效率，简化工作流程及提高现有仪器的诊断准确性。笔者就人工智能在心血管影像诊断方面的研究现状做一综述。

1 人工智能概述

人工智能的概念诞生于1956年，是计算机科学的一个分支，通俗的说，人工智能是指机器模拟人的意识和思维，它具有通过学习输入的数据来实现特定的目的和任务的能力。人工智能的核心要素是：数据、算法及计算力。数据是实现人工智能的基础，机器学习能够通过对数据的积累做出更加准确的决策，其会采用多样化的建模方式(算法)去处理不同的数据。人工智能算法基于这种不同的建模方式，又能分为神经网络算法与传统机器学习，而传统机器学习又被细分为强化学习、非监督式学习、半监督式学习、监督式学习。算法是一组机械计算机可以执行的明确指令，算法的有效性决定了人工智能的智能程度。人工智能数据越多、算法越复杂，需要的计算力就越大，所以传统人工智能受制于计算能力，而芯片是运算能力的核心，运算能力提升依赖于科学技术的发展，同时也是人工智能发展的前提保障。

随着社会生产力的提高，心血管疾病已成为世界上死亡率最高的疾病，而在中国，心血管疾病患者也越来越多，大量的数据促进了人工智能在心血管疾病诊断中的应用。人工智能可以大大地简化诊疗的工作流程，提升医生诊断的速度、效率和准确性。

2 人工智能在心血管影像中的应用

2.1 心脏超声成像

人工智能在超声心动图中的应用还处于相对早期的阶段，目前应用于超声图像采集、识别、心功能的自动量化、疾病的自动评估等。

超声图像采集是一项专业性很强的技术，但有研究报道人工智能可以指导心脏超声波图像的采集，只要在系统里输入患者身高、体质量和性别等信息，人工智能就能引导操作者采集最佳图像，该研究结显示通过人工智能获得高质量的超声图像的概率在90%以上，也为其他器官的图像采集提供了新思路[4]。准确的图像自动识别和分类是诊断的基础，Khamis等[5]利用多阶段分类算法识别心尖两腔、心尖四腔和心尖长轴图像，其准确率分别为97%、91%和97%，平均识别率为95%。该算法中的时空特征提取技术可以获得更高的识别精度，优于传统的空间处理方法。另有研究表明深度金字塔局部注意神经网络分割方法性能更好[6]，他提出的金字塔局部注意模块和标签一致性学习机制解决了获取上下文特征难和进行单个像素分类预测时标签不一致的问题。

Genovese等[7]开发了基于机器学习的全自动三维量化右心室大小和功能的软件，但研究显示三分之二患者还需进行心内膜轮廓编辑才能正确诊断，这种方法为快速定量右心室体积提供了一种有前景的解决方案，但心内膜边界自动识别的问题还有待优化。此外还有算法快速测量左心房和左心室容积，准确分析射血、充盈参数[8]。目前用来评价超声心动图图像质量的人工智能工具软件提示心内膜边界轮廓指数影响心尖四腔视图的分类可信度[9]。2020年人工智能在超声方面有一重大进展，Ouyang等[10]通过结合神经网络中时间和空间信息的特定回声网络-动态算法来准确分割左心室、估计射血分数和识别心肌病。该算法不再拘泥于静止图像的分割而是基于视频分割，并且诊断准确性高，可重复性好，为未来实现实时心血管疾病精确诊断提供了有效支撑。

医生非常依赖简单易行的超声心动图来指导患者诊疗。人工智能引导的超声心动图图像采集技术还需要进一步检验，往后随着这一技术的成熟，人工智能将提高患者护理的效率。人工智能心脏超声分割、识别技术较为成熟，但在右心室大小和功能量化方面仍存在不足，人工智能在心脏超声疾病诊断多见于常见病多发病，未来有望应用于更多疾病的诊断。

2.2 心脏MRI

心脏MRI是心血管疾病非侵入性评估的重要工具。人工智能在心脏MRI中的应用包括图像重建、分割、心血管疾病诊断和预测预后等。

心脏MRI有一个明显的缺点即扫描时间长。在过去的十年里，并行成像、压缩感知和实时成像等方法被用来加速获取核磁共振图像。在这些研究的基础上，Qin等[11]在传统迭代算法的基础上利用时间序列依赖性的优点，提高了磁共振成像的速度和精度。单个神经网络的机器学习是图像分割的常见方法，2018年组织的国际左心房分割挑战中两个神经网络的机器学习方法最优，在自动感兴趣区域定位和细化区域分割方面均使用神经网络，该方法Dice系数为93.2%，好于传统方法和包含单个神经网络的机器学习方法的结果[12]。此外，Guo等[13]解决了深度卷积神经网络进行心脏MRI图像分割需要大量的训练数据集的问题。多样的心血管结构的和心脏缺陷是复杂先天性心脏病患者分割任务中的巨大阻碍，为解决这一问题Du等[14]提出了一种集成多任务的深度学习框架，该方法通过区域分割、本地信息到全局信息聚合实现同时自动分割血池和心肌，其多目标分割任务能力是目前最优的，但在分割小目标方面仍然存在一些不足。

人工智能不仅能够进行图像分割还能自动评估心室功能，有研究通过人工智能的方法，对双心室进行自动定量分析，该研究设计了一个新的深度共生网络将心室分割和心室功能参数任务统一到一个框架进行。通过对四个开放的CMR数据集进行实验，验证了该网络进行双心室精确自动定量的可行性和高效性[15]。Ruijsink等[16]研发了一个全自动的心脏磁共振心脏功能分析框架，该框架能够通过检测错误输出的算法达到质量控制的效果，实验结果显示其检测错误输出的灵敏度为95%。

进行疾病的诊断是人工智能在心脏MRI中的另一应用。肺动脉高压病死率高，且发病隐匿，Swift等[17]研发了基于张量的心脏磁共振机器学习方法来自动诊断肺动脉高压，该方法通过提取疾病特征在10 s内即可做出准确诊断。预测分析在心血管疾病临床研究中占重要地位，有研究者提出了一种机器学习生存模型来预测肺动脉高压患者不良事件和生存时间；该研究主要通过识别收缩运动模式来实现生存预测[18]，除此之外，它还能预测患者是否发生心力衰竭。

人工智能在心脏MRI方面的应用除了图像解读之外，在成像过程中的很多环节也有应用，例如图像重建、后处理工作流程等。现在还没有实验将人工智能方法与人工心脏磁共振数据评估进行比较，这可能是未来研究的一个方向。此外，人工智能还需要解决核磁共振扫描仪、序列、成像参数不同导致的模型不稳健的问题。

2.3 心脏CT成像

人工智能的应用不仅可以优化图像质量，Wolterink等[19]提出了卷积神经网络与对抗型神经网络联合训练的方法来消除低剂量CT图像带来的噪声影响；还可以高效地分割图像，Baskaran等[20]利用一种端到端、快速、逐像素、深度学习的方法对结构进行注释，分割速度约为人工分割的271倍。因此人工智能在心脏计算机断层扫描血管成像(cardiac computed tomography angiography，CCTA)方面具有广阔的临床应用前景。AI在心脏CT中的应用包括心血管图像分割、计算与识别、心血管疾病诊断及预后评估。

冠心病患者的诊断和治疗与斑块形态和狭窄百分比密切相关。Zreik等[21]利用三维卷积神经网络对冠状动脉中心线分析，以此来检测和分类冠状动脉斑块和冠脉狭窄程度，该方法诊断精确度较高。其准确区分有无斑块的能力可以对患者下一步诊疗方式进行初步分类。之后，Yang等[22]进一步具体研究血管狭窄和斑块特征与心肌缺血的关系及其对预后的影响。结果显示最小管腔面积、动脉粥样硬化体积百分比、纤维脂肪和坏死核心体积、斑块体积、左前降支冠状动脉病变近端和重塑指数可预测低血流储备分数(fractional flow reserve，FFR) (AUC：0.797)。此外准确识别斑块特征并结合直径狭窄百分比和FFR可更好地预测发生血管导向复合结局的风险。

冠状动脉钙化积分可以用来独立预测心血管不良事件[23]。Zeleznik等[24]将冠状动脉钙作为特征，利用深度卷积神经网络预测心血管风险，该网络计算结果不仅与人工检测结果高度一致，而且还具有高度的重测信度。此外，Al'Aref等[25]开发了一个机器学习模型，综合临床因素和冠状动脉钙评分，以预测冠状动脉计算机断层血管造影上是否存在阻塞性冠状动脉疾病，结果显示使用这种方法估计阻塞性冠状动脉疾病的准确率提高了9%，该方法利于患者管理。

基于CCTA的血流储备分数(CT-FFR)可以用来评估冠状动脉病变的血流动力学。Tang等[26]将AI应用于CT-FFR自动化检测病变特异性缺血，该研究显示每条血管诊断准确性高达0.91。AI不仅简化了过程和缩短了计算时间，诊断中间病变的能力还优于冠状动脉造影。此外，还有研究者将其与其他无创性传统影像学检查进行比较。与常规CCTA、SPECT和PET相比，CT-FFR诊断冠脉特异性缺血的准确性更高[27]。在此基础上，von Knebel Doeberitz等[28]发现联合CT-FFR和斑块标记物可进一步提升鉴别病变特异性缺血的性能。另一方面，基于AI的CT-FFR还影响冠脉疾病患者的诊疗决策及预后评估[29]。Patel等[30]通过观察临床疑似冠状动脉疾病患者一年内发生的临床事件，发现临床事件发生率与血流储备分数呈负相关。在制定患者治疗策略时纳入血流储备分数可使大多数血流储备分数阴性的患者避免侵入性评估。

此外，人工智能最重要的能力是通过整合的信息发现人类不知道的特征。例如人工智能发现血管周围脂肪衰减指数这一特征与冠状动脉炎症关系密切[31]，同时研究了血管周围脂肪衰减指数对全因和心脏死亡率的预后价值。随后，Oikonomou等[32]提出了一种新的人工智能使用方法，发现血管周围脂肪衰减指数变化与冠状动脉疾病相关的血管周围结构重构相关，炎症只是其中一部分原因。

综上，人工智能通过卷积神经网络优化图像质量。人工智能在保证心脏分割准确的基础上，分割速度明显加快。此外，人工智能还可以应用于冠状动脉斑块检测和分类，冠脉狭窄判断、血流储备分数及判断预后方面。值得注意的是，人工智能还能发现新的影像生物标志物，即血管周围脂肪衰减指数，这为未来人工智能在影像医学发展提供新思路。

2.4 心脏核素显像

单光子发射计算机断层成像术(single-photon emission computed tomography，SPECT)心肌灌注显像在临床上主要用于冠心病的诊断、风险分层及预后评估，并可评估左心室功能。图像准确分割是评估左室功能的基础。Wang等[33]提出了使用端到端的全卷积神经网络来分割左室心肌和测量其体积，实验结果显示，左心室心肌容积误差为1.09%±3.66%，该技术为未来疾病诊断奠定基础。人工神经网络应用于SPECT心肌灌注显像有助于冠状动脉疾病的诊断，该网络与常规的负荷总积分、静息总积分、差值分的受试者操作特征曲线下面积进行比较，结果显示人工智能网络具有良好的诊断能力[34]。机器学习方法也被用于预测SPECT显像后的早期血管重建，该机器学习方法对每条血管和每例患者的预测准确性优于标准定量方法和专家评估[35]。Betancur等[36]则是将深度学习应用于半直立和仰卧位心肌灌注来预测梗阻性疾病。该深度学习同时分析半直立和仰卧位图像，增加了每支血管疾病预测的准确度和敏感度。AI有潜力应用于多种图像的整合分析，未来有可能扩展到俯卧位和仰卧位图像或衰减校正和非衰减校正图像的同时分析。Alonso等[37]开发了机器学习模型联合分析心肌灌注单光子发射计算机断层扫描和临床数据来预测患者心脏性死亡的风险，值得注意的是该方法可以让临床医生清楚风险评分背后的基本原理，解决了机器学习的“黑匣子”的问题。

此外为了减少图像的衰减伪影，Betancur等[38]提出了用深度学习方法将直立和仰卧位高效SPECT心肌灌注成像数据结合起来预测阻塞性冠状动脉疾病，该方法预测的敏感度较以前的直立-仰卧位联合量化方法提高了4%左右。Shi等[39]等提出了利用深度学习方法直接从SPECT发射数据中估计衰减图的方法来提高单光子发射计算机断层扫描的准确度，该方法消除了患者运动导致SPECT和CT扫描之间的匹配错误的伪影。

人工智能应用于心脏核素显像的方方面面，主要用于评估心肌血流灌注情况、左心室功能及风险分层，例如预测心脏不良事件等。人工智能可以用来减少图像伪影提高诊断准确度。它在准确诊断疾病和预测不良事件发生率优于当前标准检查方法和专家诊断。但未来还需解决人工智能预测模型如何更好地推广到未来的数据以及对特定患者的预测情况进行解释的问题。

3 人工智能在临床应用中的挑战

人工智能在心血管领域研究进展迅速，给医疗实践带来革命性的变化，但还有部分问题急需解决。(1)人工智能的决策高效但存在可解释性不足的问题。目前医学影像领域已经对人工智能可解释问题进行了研究。但仍无法确定人工智能可解释的方法是可信的。人类各种主观因素、模型的复杂性等因素影响AI可解释方法的设计和评估，今后对人工智能技术分析可解释性进行比较与评估，就必须找到一种具有可复制性和标准度的研究方法[40]。(2)近来人工智能的迅速发展离不开大的训练数据集，通过大数据人工智能可以很好地推广到看不见的情况。但罕见病的数据是很难获得的，因此通过小样本摸索学习改良算法是非常必要的[41]。此外，获得准确、真实、合适的临床数据集也是一个基本的挑战。

人工智能越来越多地用于心脏影像学，从工作流程的改进到自动图像分割、心血管疾病诊断，再到准确的心血管风险预测，未来人工智能将结合大量临床和心脏病学成像数据实现精准医疗。

全体作者均声明无利益冲突。

该研究受到山西省卫生健康委科研课题（2019149）的资助。