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)療人員在確保患者安全和健康的同時追求效率的最大化[1]。對于高分辨率的醫(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)（包括肉眼可見和不可見），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)運而生，它為促進(jìn)圖像采集、測量、報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是一個廣義的術(shù)語，指的是機(jī)器或計算程序執(zhí)行具有人類智能特征的任務(wù)的能力，如模式識別和解決問題的能力等。AI可以通過彌補人類智能，使現(xiàn)有醫(yī)療診斷和預(yù)后價值最大化，同時使醫(yī)師負(fù)擔(dān)最小化，從而顯著改善健康診療過程和結(jié)果。AI在臨床實踐中的應(yīng)用預(yù)示著醫(yī)學(xué)領(lǐng)域一個更為劇烈變化時代的到來，在影像學(xué)方面尤其如此。一項通過分析科學(xué)網(wǎng)數(shù)據(jù)庫的研究[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)測等方面。其中，用于醫(yī)學(xué)診斷、預(yù)后預(yù)測和分類的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)是主要熱點，占所有文獻(xiàn)的26%；而未來最引人關(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、模型臨床效用驗證等問題尚未進(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)是一個經(jīng)常用來描述大量收集數(shù)據(jù)的術(shù)語，如來自大型生物信息庫的基因組數(shù)據(jù)、電子健康記錄檔案和大型研究隊列數(shù)據(jù)以及影像學(xué)掃描數(shù)據(jù)等。AI系統(tǒng)通過識別和提取一組觀測數(shù)據(jù)（數(shù)據(jù)集）的模式來自主獲取知識的過程稱為機(jī)器學(xué)習(xí)（machine learning，ML）。ML是人工智能的一個組成部分，描述為計算機(jī)從經(jīng)驗中學(xué)習(xí)的過程，并在沒有事先知識的情況下執(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，每個神經(jīng)元接受多個輸入，所有的輸入一起決定了神經(jīng)元的激活。通過樣本訓(xùn)練找到這些合適權(quán)重的過程就是學(xué)習(xí)。學(xué)習(xí)過程的復(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減少神經(jīng)元的數(shù)量。為了解決這一問題，人們提出了深度學(xué)習(xí)的方法，即自動學(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，常用于影像模式識別和分類。

模型訓(xùn)練是所有ML類型的共同過程，它是利用模型分析所提供的數(shù)據(jù)中的各種特性來學(xué)習(xí)如何生成輸出標(biāo)簽的過程[5]。如在超聲心動圖中，一個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)的特征可能會導(dǎo)致模型過度擬合，從而在呈現(xiàn)新數(shù)據(jù)集時降低其準(zhǔn)確性。這強(qiáng)調(diào)了擁有一個能夠代表總體的訓(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，降低過度擬合的風(fēng)險。正確模型的選擇通常取決于操作員的專業(yè)知識、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，包括超聲心動圖、心臟計算機(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圖中的應(yīng)用包括自動心室定量和射血分?jǐn)?shù)計算、應(yīng)變測量和瓣膜形態(tài)及功能評估以及ML在心臟疾病自動診斷中的應(yīng)用。

3.1 心室定量和EF自動化。自動心室量化和EF計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、心室壁分割和心內(nèi)膜跟蹤。有研究[6]比較了AI軟件自動測量（AutoEF）和手工追蹤雙平面Simpson法測量左室EF的準(zhǔn)確性，并與心臟MRI進(jìn)行了比較。結(jié)果表明AutoEF與手動雙平面Simpson法測得的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，測量的準(zhǔn)確性存在差異，以胸骨旁長軸切面的準(zhǔn)確性最高，達(dá)96%，而在心尖切面時整體精度降低（84%）。腔室定量和左室EF測量的中位數(shù)絕對偏差在15%～17%，其中ESV的絕對偏差最?。蛔蠓咳莘e和左室EDV被高估。

3.2 心肌運動和應(yīng)變測量。Kusunose等[7]研究發(fā)現(xiàn)與傳統(tǒng)二維超聲心動圖相比，利用深度卷積神經(jīng)網(wǎng)絡(luò)可更好的檢測區(qū)域壁運動異常并區(qū)分冠狀動脈梗死區(qū)域。Cikes等[8]利用復(fù)雜超聲心動圖數(shù)據(jù)（整個心動周期的左室容積和變形數(shù)據(jù)，而不是單個數(shù)據(jù)點）和臨床參數(shù)的ML算法識別心衰并對心臟再同步化治療的反應(yīng)進(jìn)行評估，證實通過整合臨床參數(shù)和全心周期成像數(shù)據(jù)，無監(jiān)督的ML可以為表型異質(zhì)性心力衰竭隊列提供一個有臨床意義的分類，并可能有助于優(yōu)化特定治療的反應(yīng)率。另有研究證實[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軟件和手工勾畫對左室心肌的縱向應(yīng)變進(jìn)行了比較研究。發(fā)現(xiàn)AI自動測量的心肌全局縱向應(yīng)變與手動應(yīng)變變化最?。ń^對值為1.4%～1.6%）。

3.3 心臟瓣膜評估。有學(xué)者[12]采用AI軟件對二尖瓣幾何形狀進(jìn)行測量，測量參數(shù)包括二尖瓣環(huán)面積、瓣環(huán)高度和寬度、瓣葉連合間距、前后葉長度等。發(fā)現(xiàn)相對于常規(guī)超聲心動圖，所有評估的成像參數(shù)均獲得了更好的觀察者間一致性，而且所花費的時間明顯較少。Prihadi等[13]研究證實，經(jīng)食管超聲心動圖AI軟件能夠精確地對主動脈瓣結(jié)構(gòu)以及冠狀動脈開口進(jìn)行測量和定位，且與多層螺旋CT的測量結(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)時代，AI和ML為疾病診斷和風(fēng)險預(yù)測等問題提供了新的解決方案。通過AI對超聲心動圖數(shù)據(jù)進(jìn)行預(yù)測、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)對當(dāng)前醫(yī)療信息數(shù)量的急劇增長，又有利于提高處理數(shù)據(jù)信息的能力。未來，針對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。