李睿，趙世華

人工智能(artificial intelligence，AI)泛指用于模擬人類智慧的方法、技術及應用的一門技術學科，其應用目前已逐漸地從自動駕駛、人臉識別、文本處理等傳統領域滲透到醫(yī)學等專業(yè)領域。人工智能的引入對醫(yī)學特別是醫(yī)學影像學意義重大，斯坦福大學與Google公司先后公布了醫(yī)學領域的里程碑式研究成果，發(fā)現人工智能對皮膚癌的診斷以及糖尿病視網膜病變和相關眼病的識別有極高的精準度[1-2]。在心血管影像領域，得益于掃描技術的迅速發(fā)展并由此產生的大量影像數據，人工智能的研究飛速發(fā)展[3]。有了醫(yī)療人工智能的幫助，可提高醫(yī)師診斷效率及診斷精度，緩解醫(yī)療人力資源緊張狀況。進一步結合基因和病理信息能夠更加有針對性實施精準醫(yī)療[4]。筆者將人工智能在心血管影像方面的應用與發(fā)展的初概進行綜述。

1 人工智能的要素及其分類

人工智能主要包括如下三個要素：數據、算法及計算力。數據是人工智能的第一要素，也是人工智能的基石。醫(yī)院的絕大部分的數字化數據都為醫(yī)學影像數據，諸如源于CT和MRI圖像的海量數據等，給人工智能提供了巨大的支持。算法是人工智能的第二個要素，決定了人工智能的上限，沒有算法，就無法把影像圖像轉換成可供分析的數據。此外，人工智能還需要強大的物理硬件支持，即第三個要素計算力。計算力越強，越能處理更復雜的數據、更先進的算法。一般情況下的人工智能模型是基于核心處理器(CPU)或者圖形處理器(GPU)開展的訓練[5]。

1.1 數據

人工智能的數據可分為結構化數據與非結構化數據[6]。結構化數據一般指的是存儲在數據庫里的、可用表格結構進行邏輯表達的數據；而非結構化數據就是不適合用數據庫邏輯來表達的數據。從心血管影像角度出發(fā)，結構化數據可以是平時的各類試驗及臨床數據，如血壓、心率、實驗室指標等，而非結構化數據則是以DICOM格式保存的影像數據，可以是心臟磁共振(cardiac magnetic resonance，CMR)及CT斷面圖像，包括CMR電影序列動態(tài)視頻，或者是類似心電圖樣的波譜數據，或者是超聲心動圖動態(tài)視頻數據等，數據維度非常驚人且信息量極大。因此，要把非結構化的數據轉化處理為可供分析的資料，需要不同的算法和超一流的計算能力。

1.2 算法

人工智能的算法多樣，目前從復雜程度可大致分為機器學習(machine learning)和深度學習(deep learning)兩類。機器學習算法根據目的大致可分為四類：分類、回歸、聚類和降維[7-10]。對于醫(yī)學數據來說，分類和回歸算法是最常見的算法，屬于監(jiān)督式學習，主要用于有明確標簽的數據，例如疾病分類、預后判斷等有明確診斷和結局的這一類數據。這兩類算法通過已有數據集中包含的特征與標簽進行學習，得到一個目標模型，將輸入映射到合適的輸出，差異在于分類算法得到的是離散值，而回歸算法得到的是連續(xù)值。聚類和降維屬于無監(jiān)督式學習，聚類主要用于無明確標簽的數據，比如圖像的紋理、灰度等。降維主要用于數據特征預處理階段，比如對圖像特征的提取與選擇等。

深度學習按照應用領域可分為圖像檢測和自然語言處理，前者在醫(yī)學領域應用更廣泛[11-12]。圖像檢測領域的深度學習按照目的又可分為識別、分割和定位，例如左心室容積的分割、識別并從中計算射血分數，心肌肥厚病灶的定位與識別等。卷積神經網絡(convolutional neural networks，CNNs)是目前醫(yī)學圖像領域應用最為廣泛的深度學習模型，最早AlexNet由Hiton及其學生Alex提出，隨后大量更快速更準確的卷積神經網絡結構如googlenet、resnet和VGG等相繼出現，用以處理提取更復雜、更抽象的圖像屬性特征。

2 人工智能在心血管影像中的應用

近年來，隨著心血管影像尤其是CMR技術的飛速發(fā)展，各類數據呈指數增長，其中蘊含的大量信息都可以通過人工智能技術加以分析利用。目前心血管影像領域人工智能研究尚在起步階段，而據現有的研究結果顯示，AI在心血管影像的一系列研究方向中，包括圖像采集重建、圖像自動分割識別、疾病識別分類及預后判斷等方面已表現出巨大的潛能。

2.1 減少心臟影像圖像重建時間

如何縮短心臟磁共振檢查時間一直是困擾醫(yī)工領域的難題。臨床常利用壓縮感知方法，從低采樣數據中精確重構出信號，從而有效減少成像時間。而通過AI深度學習可有效減少磁共振成像時間。目前，Qin等[13]提出了一個新的遞歸卷積神經網絡架構，利用數據時間序列關系，優(yōu)化迭代算法性質，從欠采樣K空間重建并得到高質量心臟MRI圖像，從而大大地縮短了成像時間。該方法通過學習時間依賴和迭代來進行有效的重建，其過程只利用極少數的參數，在重建精度和速度方面優(yōu)于當前傳統的MRI重建方法。此外，Schlemper等[14]使用深度多層卷積神經網絡，利用欠采樣數據，加速數據的采集過程重建二維MRI圖像，也能夠減少成像時間。在控制重建誤差及重建速度方面均優(yōu)于最先進的二維壓縮感知方法。該模型重建每個完整的動態(tài)序列的時間少于10 s，其中每幀二維圖像的重建可以在23 ms內完成，從而達到實時成像的要求。

2.2 準確快速地進行心血管圖像分割、計算與識別

目前臨床中常通過手動方法勾勒圖像上心內膜壁的位置用以計算射血分數和心肌壁運動，但該方法分割精度不足，并存在較大的組間觀察者差異。AI的引入可顯著提升心內膜分割精度。AI通過全自動分割2D和3D電影圖像中的心內膜，實現心臟影像的自動測量，同時進行射血分數計算和區(qū)域運動的評估。Knackstedt等[15]發(fā)現AI可對左心室射血分數和平均雙平面縱向應變(longitudinal strain，LS)進行全自動、快速及可重復性的評估。該試驗納入了4個中心255名竇性心律的測試對象，使用視覺估計和手動追蹤評估超聲心動圖的心尖四腔和兩腔心視圖，隨后將數據集保存在集中式數據庫中，利用機器學習軟件(AutoLV，TomTec-Arena 1.2，TomTec Imaging Systems，Unterschleissheim，Germany)全自動測量射血分數及LS。結果顯示該自動測量方法時間明顯縮短，大約只需8 s，且在98%的患者中是可行的。Avendi等[16]聯合深度學習算法及形變模型，在心臟MR短軸位圖像中全自動分割左心室。研究首先利用卷積神經網絡自動探測左室腔，隨后采用整合了形變模型的棧式自編碼器勾勒左室形狀，以此提高分割的準確性及穩(wěn)定性。該模型與數據庫中的左心室分割結果對比，Dice系數高達0.94。Lekadir等[17]利用深度學習自動識別超聲頸動脈超聲成像的斑塊成分。該研究使用卷積神經網絡構建模型，訓練并驗證90 000例超聲頸動脈圖像。該模型能自動評價斑塊的脂質核心，纖維帽以及鈣化組織的成分，結果與臨床專家評價的一致性達到0.90。此外，Wolterink等[18]利用CT冠狀動脈動脈造影自動定量評價冠狀動脈積分，該研究納入了250例同時接受了冠脈CTA及心臟鈣化積分(cardiac calcium scoring CT，CSCT)掃描的患者，采用配對卷積神經網絡識別CT冠脈動脈造影鈣化積分。與CSCT結果相比，鈣化斑塊的質量積分一致性為0.944，且83%患者的Agatston積分風險評估一致。提示CT冠脈造影能準確、定量評價鈣化斑塊積分，有望在將來減少不必要輻射劑量。

2.3 心血管疾病診斷

AI模型還可通過提取心臟影像特征實現疾病的診斷與鑒別診斷。Narula等[19]使用集成算法框架，嘗試從運動員生理性肥大心臟中自動識別肥厚型心肌病(hypertrophic cardiomyopathy，HCM)。該試驗納入了77例心臟生理性肥大運動員和62例HCM患者，集合了支持向量機、隨機森林和人工神經網絡等三種不同的機器學習模型用以識別運動員及HCM心肌。與舒張早期-末期經二尖瓣流速比，平均舒張早期二尖瓣環(huán)運動速度及應變等傳統超聲心動圖參數相比，機器學習模型有著更高的診斷靈敏度和特異度。Sengupta等[20]納入了50例縮窄性心包炎和44例限制性心肌病患者的臨床和斑點追蹤超聲心動圖數據，采用基于聯想記憶分類器的機器學習算法模型進行疾病的診斷，并通過10折交叉驗證評估模型診斷效能。結果發(fā)現僅單獨使用斑點追蹤超聲心動圖的變量，該模型的診斷AUC值即可達到89.2%；再增加額外的4個超聲心動圖變量后， AUC值提高到96.2%，明顯高于舒張早期二尖瓣環(huán)速度(82.1%)和左心室縱向應變(63.7%)兩個傳統參數。在CT及CMR領域，Baessler等[21]利用紋理分析在常規(guī)非增強的磁共振掃描序列上識別心肌梗死。該試驗納入了120例心肌梗死患者和60名正常人，通過影像組學軟件(MaZda，version 4.6; Institute of Electronics，Technical University of Lodz，Lodz，Poland)，利用特征選擇分析方法，在CMR電影序列上進行降維和紋理特征選擇，判斷心肌梗死情況，最后再與延遲強化序列進行對照。模型篩選出如下五個獨立的紋理特征能區(qū)分缺血性瘢痕和正常心?。篢eta1，Perc.01，Variance，WavEnHH.s-3和S (5,5) SumEntrp。對比多個邏輯回歸模型結果后發(fā)現，基于Teta1和Perc.01的模型在MR電影圖像上診斷心肌梗死可達到較高的準確性。Zreik等[22]利用深度學習方法自動識別患者冠脈CT血管造影(coronary computed tomography angiography，CCTA)圖像中局部心肌異常，從而推斷出支配該區(qū)域的冠狀動脈病變。該研究納入了166例同時接受了侵入性血流儲備分數(fractional flow reserve，FFR)檢查及靜息狀態(tài)下CCTA掃描的患者。研究首先利用多尺度卷積神經網絡對患者CCTA圖像中的左心室心肌進行整體分割，然后將左室心肌進一步分成許多有著空間連接關系的簇，并利用無監(jiān)督自動編碼統計數據計算提取每簇心肌的特征；接下來根據提取出的特征使用SVM分類器對這些心肌進行分類，從而判斷患者是否有冠狀動脈功能性狹窄。該研究分別使用了20張CCTA圖像訓練左室心肌的分割及左室心肌自動編碼器，結果顯示20張圖像中左室心肌分割的定量評估Dice系數平均為0.91；接下來進行10折交叉驗證試驗，在剩余的126個CCTA掃描中進行患者分類，其診斷的AUC值為0.74±0.02。該研究結果表明，AI在未觀察患者冠脈解剖結構的情況下，通過靜息CCTA圖像中心肌的自動分析即可判斷冠狀動脈的功能性狹窄，將來有望減少不必要的侵入性FFR檢查。

2.4 心血管疾病預后評估及危險分層

現階段臨床判斷患者的遠期預后大部分基于有限的臨床及影像學參數，而通過訓練與學習，AI可同時提供更多、更復雜的變量。Motwani等[23]通過機器學習模型提高預測發(fā)生心臟事件的能力。該試驗納入了10 030例疑似冠狀動脈疾病患者臨床資料及其5年隨訪記錄，共評估了25個臨床指標和44個CCTA參數。研究選擇信息增益排名的自動特征選擇方法提取高危因素，采用具有集成算法框架的模型構建算法，并利用10折分層交叉驗證評估結論。與單獨的弗雷明漢風險評分(framingham risk score，FRS)或CCTA嚴重性評分相比，機器學習表現出更準確的全因死亡率預測能力。Van Rosendael等[24]利用機器學習分析源自CCTA的16段冠狀動脈樹信息，發(fā)現與目前的CCTA的風險評分相比，基于機器學習算法創(chuàng)建的風險評分有著更高的預后準確性。

Dawes等[25]通過監(jiān)督式機器學習模型預測肺動脈高壓患者的遠期生存率。該試驗納入了256例接受CMR檢查的肺動脈高壓患者，將CMR短軸電影圖像半自動分割為30 000個運動節(jié)點，創(chuàng)建右心室運動的三維模型，并利用右心室心肌運動幅度預測患者遠期預后。在加入常規(guī)成像和血流動力學，功能和臨床標志物等指標后，該模型的生存預測性能得到進一步改善，明顯優(yōu)于右室射血分數。

Arsanjani等[26]利用機器學習方法預測冠心病患者的早期血運重建。該研究納入了713例冠心病患者，其中372例接受血運重建。模型從SPECT心肌灌注(myocardial perfusion SPECT，MPS)圖像中得到定量特征，隨即通過自動特征選擇算法，從提取的SPECT信息及臨床指標中選擇可用的特征；然后通過增強的集成機器學習算法(LogitBoost)預測血運重建事件，最后使用交叉驗證的方法評估和比較模型預測性能。結果提示機器學習的預測準確性(AUC，0.81±0.02)與其中一名診斷醫(yī)師(0.81±0.02)相似，優(yōu)于第二名診斷醫(yī)師(0.72±0.02)和缺血灌注參數(0.77±0.02)。

3 人工智能的不足及完善

3.1 數據質量控制有待提高

首先，受到醫(yī)療水平及病人地區(qū)分布差異的影響，影像數據尤其是心血管方面的數據很難達到可分析水平。事實上，心血管影像特別是CMR圖像，掃描層面多、序列復雜，不可避免地存在部分低質量的圖像，因此心血管圖像質控勢在必行。此外，不同產家不同型號的機器，不同掃描參數對影像人工智能也有著非常大的影響。

3.2 數據標注

影像人工智能目前主要以監(jiān)督式學習為主，數據標簽必不可少?，F在主要的標注方式多為手工標注，不僅工作量大，準確性也高度依賴標注者的水平。為了提高標簽的可信度，往往會采取多個不同水平層次的標注者同時標注，會進一步加大工作量。因此，可采用半監(jiān)督式學習，對一部分帶標簽的數據進行監(jiān)督式學習，再對剩下的未帶標簽的數據進行分類。而對于一些分割任務可基于以往的標注，通過AI模型對數據進行預處理，然后由標注人員在此基礎上做一些校正。除此以外，標注者大多數是在ITK-snap、Labelimage等第三方軟件軟件上標注，不利于標注者之間數據的流通，開發(fā)基于內網的數據標注工具，不僅方便管理，還可兼顧患者隱私保護。

3.3 影像人工智能的可解釋性

當前基于深度學習的人工智能系統普遍存在可解釋性不足的問題。因為深度學習模型學習的是大量神經網絡結構的參數，預測過程是相應參數下的計算過程，這個學習和預測的過程是不透明的，和用戶也缺乏交互性。深度學習的模型某種程度上只“知其然”而不知其“所以然”。例如，模型接受了大量訓練后能根據圖像診斷心肌病，但它究竟學到了什么有效特征使得它做出這樣一個判斷，模型不能給出合理的解釋，這就好比中醫(yī)看病是根據以往的經驗做出的診斷。因此可解釋性也是醫(yī)學人工智能重要研究方向[27-28]。

3.4 小樣本學習

深度學習需要龐大的數據來進行訓練保證模型的穩(wěn)定性及準確性。與其他系統相比，心血管系統尤其是心臟磁共振影像數據的獲取成本高，時間長，且可用于分析數據量一般相對較小，能從小樣本中學習最優(yōu)解決方法的模型十分重要。遷移學習能把之前機器學習模型知識轉移到新的模型上，有望顯著地降低深度學習所需的大量數據資源。

總之，隨著社會老齡化和城市化進程加快，居民不健康生活方式流行，心血管病患病人數將快速增長，心血管病的診治已成為重大的公共衛(wèi)生問題，其中心血管影像在疾病的診斷、治療以及預后判斷中起著至關重要的作用。盡管目前心血管影像人工智能研究仍處于起步的階段，但潛力巨大，將是未來發(fā)展的熱點與重點。隨著人工智能的不斷提升，能對大量心血管患者的病情進行有效的評估，不僅能有效提升醫(yī)師的診療效率，優(yōu)化看病流程，而且能在疾病預后判斷和危險分層中發(fā)揮更大的作用，促使心血管疾病診治的快速進步。

利益沖突：無。