陳 程，孫 陽(yáng)，夏云龍

人工智能指機(jī)器基于對(duì)數(shù)據(jù)的處理以完成通常需要人類認(rèn)知功能才能完成的任務(wù)。在現(xiàn)代，人工智能已經(jīng)可以通過(guò)挖掘高密度數(shù)據(jù)以完成對(duì)復(fù)雜模型的分類和抓取新穎的數(shù)據(jù)特征[1]。機(jī)器學(xué)習(xí)是人工智能的分支學(xué)科，可以通過(guò)算法在數(shù)據(jù)中學(xué)習(xí)，進(jìn)一步識(shí)別數(shù)據(jù)中的非線性關(guān)系和高階交互關(guān)系，而這在傳統(tǒng)統(tǒng)計(jì)學(xué)中無(wú)法實(shí)現(xiàn)[1]。2020 年歐洲心臟病學(xué)會(huì)（European Society of Cardiology，ESC）大會(huì)上，人工智能被認(rèn)為是心血管領(lǐng)域發(fā)展的前沿，將為心血管診斷和個(gè)體化治療帶來(lái)巨大的變革[2]。人工智能應(yīng)用于心臟電生理并非是一個(gè)新興的概念，早在20 世紀(jì)70 年代就已有通過(guò)人工智能對(duì)心電圖進(jìn)行自動(dòng)分析[3]。近年隨著大型電子數(shù)據(jù)庫(kù)的建立，算法、軟件及硬件的不斷創(chuàng)新升級(jí)，人工智能在心臟電生理尤其是心房顫動(dòng)（atrial fibrillation，AF）的應(yīng)用不斷進(jìn)步[4]。本文將對(duì)人工智能分別在AF、心源性猝死、起搏等領(lǐng)域研究進(jìn)展作一綜述，同時(shí)對(duì)人工智能目前應(yīng)用所遇到的局限以及未來(lái)發(fā)展方向進(jìn)行總結(jié)和展望。

1 人工智能與AF

1.1 便攜智能設(shè)備與AF 篩查 穿戴式光電容積描記器（wearable photo plethysmo graphic sensors,PPG）通過(guò)對(duì)脈沖頻率和規(guī)律進(jìn)行長(zhǎng)期被動(dòng)評(píng)估，進(jìn)而識(shí)別AF 特征性的不規(guī)律脈搏。在Apple Heart 研究中，共有419 297 名參與者接受基于PPG 的蘋果手表監(jiān)測(cè)，其中2 161 名參與者識(shí)別到不規(guī)律的脈搏活動(dòng)。隨后對(duì)450名參與者進(jìn)行連續(xù)1周的動(dòng)態(tài)心電圖監(jiān)測(cè)，共有34% 的參與者最終診斷為AF，基于PPG 電子手表監(jiān)測(cè)的陽(yáng)性預(yù)測(cè)值可達(dá)84%[5]。在此基礎(chǔ)上，Kardiaband 等對(duì)4 代和5 代蘋果手表進(jìn)一步升級(jí)，當(dāng)手表上PPG 識(shí)別到不規(guī)則心率時(shí)，提示使用者利用手表表冠上的傳感器記錄單導(dǎo)聯(lián)心電圖。而在2 代和3 代蘋果手表中，Kardiaband 利用PPG 和手表上的計(jì)步器持續(xù)監(jiān)測(cè)使用者的心率和活動(dòng)強(qiáng)度，當(dāng)出現(xiàn)心率紊亂時(shí)提示使用者使用預(yù)先安裝在表帶上的感應(yīng)器通過(guò)拇指描記I 導(dǎo)聯(lián)心電圖。這一算法在24 名帶有植入式心臟監(jiān)視器和陣發(fā)性AF 病史的患者上進(jìn)行驗(yàn)證，結(jié)果提示該算法對(duì)發(fā)作1 h 以上的AF 敏感度達(dá)97.5%，對(duì)AF 發(fā)作時(shí)長(zhǎng)的敏感度達(dá)到97.7%[6]。中國(guó)人民解放軍總醫(yī)院心內(nèi)科聯(lián)合華為公司也進(jìn)行了類似的研究[7]?；赑PG技術(shù)的華為腕帶和手表對(duì)187 912名參與者進(jìn)行至少14 d 的持續(xù)脈律監(jiān)測(cè)，最終有227 名參與者診斷為AF，其陽(yáng)性預(yù)測(cè)值達(dá)92%。除此之外，通過(guò)智能手機(jī)攝像頭進(jìn)行無(wú)接觸面部識(shí)別和指尖PPG 感應(yīng)器也表現(xiàn)出對(duì)AF 篩查和診斷的潛力[8-12]。一項(xiàng)meta 分析發(fā)現(xiàn)通過(guò)結(jié)合上述技術(shù)，其敏感度和特異度可分別達(dá)94%和96%[13]。

另外，一種基于可手持設(shè)備的心臟監(jiān)測(cè)系統(tǒng)可以用于癥狀性AF 的監(jiān)測(cè)[14-15]。被測(cè)者在癥狀發(fā)作時(shí)通過(guò)手指觸摸接收器，可在手機(jī)上實(shí)時(shí)監(jiān)測(cè)并記錄心電圖。多個(gè)研究報(bào)道該種監(jiān)測(cè)系統(tǒng)無(wú)論對(duì)于門診患者還是住院患者，敏感度和特異度均可達(dá)90% 以 上[16]。Chen 等[17]通 過(guò) 同 時(shí) 裝 有ECG 和PPG接收器的手環(huán)監(jiān)測(cè)AF，結(jié)果提示該手環(huán)明顯優(yōu)于ECG和PPG設(shè)備，其準(zhǔn)確性可高達(dá)97.5%。

可穿戴式智能設(shè)備由于體積較小，使用者攜帶方便，具有可長(zhǎng)程紀(jì)錄患者心電活動(dòng)的特點(diǎn)，因此對(duì)可疑AF患者的監(jiān)測(cè)、評(píng)估AF患者的AF負(fù)荷、射頻消融術(shù)后長(zhǎng)期評(píng)估及預(yù)防AF復(fù)發(fā)起至關(guān)重要的作用。另一方面，可穿戴式設(shè)備可廣泛應(yīng)用于門診、住院部，甚至是在醫(yī)療水平欠缺的基層醫(yī)院及社區(qū)醫(yī)院，使患者可以在家庭中自主使用設(shè)備監(jiān)測(cè)心率，減少不必要的開(kāi)支并且節(jié)省了公共醫(yī)療資源。

1.2 深度學(xué)習(xí)與AF 診斷 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)亞型，相較于傳統(tǒng)的監(jiān)督機(jī)器學(xué)習(xí)，它的最大優(yōu)勢(shì)是可以更靈活的處理原始輸入數(shù)據(jù)而無(wú)需人工對(duì)變量及特點(diǎn)進(jìn)行識(shí)別整理。例如在自動(dòng)心電圖分析中，早先的監(jiān)督機(jī)器學(xué)習(xí)依賴于傳統(tǒng)心電學(xué)指標(biāo)作為輸入變量，而深度學(xué)習(xí)可自動(dòng)處理原始心電圖進(jìn)而診斷竇性心律或各型心律失常，其準(zhǔn)確性也與心臟病學(xué)家一致[18]。其中，卷積神經(jīng)網(wǎng)絡(luò)（convolu‐tional neuronal networks，CNNs）是深度學(xué)習(xí)最常用的方法學(xué)。梅奧診所基于CNNs對(duì)12導(dǎo)聯(lián)心電圖進(jìn)行分析，納入超過(guò)18萬(wàn)名參與者的共計(jì)45萬(wàn)份心電圖，通過(guò)超大數(shù)據(jù)集的機(jī)器學(xué)習(xí)和數(shù)據(jù)集內(nèi)訓(xùn)練，從而識(shí)別陣發(fā)性AF患者竇性心律時(shí)的心電圖特征，用以篩查未被發(fā)現(xiàn)的陣發(fā)性AF 患者[19]。該特征通常無(wú)法由臨床醫(yī)師肉眼識(shí)別，但可以有效的通過(guò)竇性心律心電圖篩查潛在的AF患者，其模型結(jié)果顯示當(dāng)結(jié)合多份竇性心律的心電圖進(jìn)行診斷時(shí)工作特征曲線下面積可達(dá)0.90。該方法可有助于確定AF 篩查和指導(dǎo)不明原因卒中患者抗凝治療。

1.3 人工智能與AF 表型 AF 是一種多種病因或混雜因素共同作用下產(chǎn)生的一種心律失常疾病，可表現(xiàn)出多種不同的表型。非監(jiān)督下的聚類分析可以幫助AF表型的分類，進(jìn)而作為臨床AF評(píng)估和管理的補(bǔ)充。美國(guó)一項(xiàng)納入9 749例AF患者的研究，通過(guò)聚類分析60種不同的臨床指標(biāo)將AF分為4種表型：①缺乏危險(xiǎn)因素的AF；②合并有不良生活行為的年輕AF患者；③合并有快-慢綜合征并植入起搏器的AF 患者；④合并有動(dòng)脈粥樣硬化疾病的AF患者[18]。此分型在其他隊(duì)列中也得到了驗(yàn)證，不同表型的AF 有明顯不同的預(yù)后。有趣的是，該表型分類并非基于傳統(tǒng)臨床AF 常用指標(biāo)，例如左心房大小或AF 類型，而是以合并癥為基礎(chǔ)進(jìn)行表型劃分。這對(duì)指導(dǎo)AF的治療有重要意義，提示AF的治療不僅限于藥物或基于射頻消融的手術(shù)，而應(yīng)該為包括治療合并癥及控制危險(xiǎn)因素在內(nèi)的綜合治療。另外，日本一項(xiàng)類似的研究以日本AF 患者為樣本進(jìn)行聚類分析，將表型分為：①年輕的陣發(fā)性AF患者；②伴有左心房增大的持續(xù)性AF患者；③合并動(dòng)脈粥樣硬化疾病的AF 患者[20]。該結(jié)果可能提示AF的表型在不同地區(qū)人群可能存在差異。

1.4 人工智能與AF 射頻消融 隨著AF 電生理標(biāo)測(cè)和三維成像的快速進(jìn)展，機(jī)器學(xué)習(xí)通過(guò)對(duì)此類數(shù)據(jù)不斷訓(xùn)練和學(xué)習(xí)，給AF 的分類和患者個(gè)體化治療帶來(lái)新的信息。在一些研究中，機(jī)器學(xué)習(xí)通過(guò)對(duì)核磁共振（magnetic resonance images，MRI）圖像模型中AF 患者左心房幾何結(jié)構(gòu)的深度學(xué)習(xí)和訓(xùn)練，可以識(shí)別心房肌中纖維化組織并預(yù)測(cè)未被射頻消融干預(yù)的AF 驅(qū)動(dòng)靶點(diǎn)[13,21-22]。然而，目前AF 標(biāo)測(cè)系統(tǒng)自動(dòng)識(shí)別的AF消融靶點(diǎn)常仍需要術(shù)者的進(jìn)一步判斷識(shí)別，而不同術(shù)者對(duì)同一消融靶點(diǎn)也可能得出不同的結(jié)論。因此，機(jī)器學(xué)習(xí)可能闡明AF 標(biāo)測(cè)過(guò)程中仍存在爭(zhēng)議的部分。近期，研究者將來(lái)自35 例AF 患者的175 000 份AF 標(biāo)測(cè)圖像放入深度CNNs 進(jìn)一步訓(xùn)練，以識(shí)別射頻消融的可能靶點(diǎn)。結(jié)果顯示當(dāng)以持續(xù)性AF 消融終止為終點(diǎn)時(shí)，其準(zhǔn)確性可達(dá)95%[23]。

1.5 人工智能與AF 預(yù)后預(yù)測(cè) AF 常常對(duì)左心房形態(tài)產(chǎn)生影響，主要表現(xiàn)為左心房容積和形狀的改變。近期一項(xiàng)研究通過(guò)分析接受射頻消融術(shù)后的AF 患者M(jìn)RI 特征，通過(guò)機(jī)器學(xué)習(xí)定量分析并識(shí)別到19 個(gè)形態(tài)學(xué)特征可以用于預(yù)測(cè)AF 術(shù)后復(fù)發(fā)時(shí)間[24]，并同時(shí)發(fā)現(xiàn)肺靜脈短小且向側(cè)方旋轉(zhuǎn)的圓形左心房與AF復(fù)發(fā)顯著相關(guān)。而另一項(xiàng)研究通過(guò)統(tǒng)計(jì)模型對(duì)AF 患者M(jìn)RI 圖像分析并挖掘相關(guān)變量，放入機(jī)器學(xué)習(xí)中進(jìn)一步訓(xùn)練預(yù)測(cè)AF 復(fù)發(fā)，其結(jié)果示工作特征曲線下面積為0.71[25]。

2 人工智能與影像學(xué)在心律失常中的應(yīng)用

目前，心電生理醫(yī)生對(duì)于心律失常的診斷金標(biāo)準(zhǔn)仍為心臟電生理檢查，但是該種方法仍然存有創(chuàng)傷，步驟復(fù)雜等缺點(diǎn)。目前隨著人工智能與機(jī)器學(xué)習(xí)的不斷進(jìn)步，無(wú)創(chuàng)性的心電生理檢查成為可能。心臟影像學(xué)通過(guò)與包括CNNs在內(nèi)的機(jī)器學(xué)習(xí)相結(jié)合，顯著提高了心臟核磁共振（cardiac magnetic resonance，CMR）采集速度、時(shí)間效率、圖像重建質(zhì)量、分辨率和分割的準(zhǔn)確性[26-28]。同時(shí)，人工智能與CMR 三維重建圖像結(jié)合可以有效定位心律失常起源部位以及心肌病變位置，這對(duì)于后續(xù)治療特別是射頻消融治療帶來(lái)巨大價(jià)值。目前，Amycard 01C系統(tǒng)（EP Solutions SA, Yverdon-les-Bains, Switzer‐land）和ECVUE 系 統(tǒng)（CardioInsight Technologies Inc., Cleveland, OH, USA）可以定位房性和室性心律失常并已商業(yè)化上市[29-30]。他們可以在整體視圖上實(shí)時(shí)動(dòng)態(tài)呈現(xiàn)心房以及心室電活動(dòng)甚至AF發(fā)生情況并將其可視化，通過(guò)這項(xiàng)技術(shù)局灶A(yù)F 和轉(zhuǎn)子均可呈現(xiàn)，這在傳統(tǒng)電生理mapping 系統(tǒng)上是無(wú)法做到的。 另外，下一代非侵入性mapping 系統(tǒng)（View into ventricular onset，VIVO）也已被提出，該系統(tǒng)通過(guò)結(jié)合體表12 導(dǎo)聯(lián)ECG 和心臟影像（CMR或CT圖像），可以預(yù)測(cè)室性早搏電活動(dòng)位置和室性心動(dòng)過(guò)速病灶位置，其準(zhǔn)確性可分別達(dá)85% 和88%[31]。隨著心臟成像技術(shù)和體表標(biāo)測(cè)技術(shù)的發(fā)展，ECG采集技術(shù)也取得了進(jìn)一步的進(jìn)步。ECG成像系統(tǒng)將體表標(biāo)測(cè)（使用多達(dá)252 個(gè)電極代替標(biāo)準(zhǔn)12 導(dǎo)聯(lián)）與非對(duì)比劑計(jì)算機(jī)斷層掃描相結(jié)合，同時(shí)記錄電極位置和心臟表面幾何結(jié)構(gòu)，通過(guò)逆向算法在患者心臟的三維重建模型圖像上定位心房或心室異位的局部電活動(dòng)[32]。

隨著非侵入方法確定心律失常病灶的技術(shù)發(fā)展，部分研究者通過(guò)放射治療的方法治療心律失常（主要為繼發(fā)于缺血性心臟病的室性心律失常）。Robinson 等[33]納入難治性室性心動(dòng)過(guò)速和伴有頻發(fā)室早的心肌病患者，通過(guò)ECG 圖像和心臟影像學(xué)解剖圖像定位心臟疤痕區(qū)，隨后給予局部定向放射治療（stereotactic body radiation therapy，SBRT），可以有效減少患者心律失常發(fā)生負(fù)荷，減少后續(xù)抗心律失常治療并顯著提高患者生活質(zhì)量，其6 月和12 月整體生存率為89% 和72%。另外，首個(gè)將SBRT 用于治療左房存在纖維化的陣發(fā)性AF 患者的病例被報(bào)道，其結(jié)果證實(shí)了SBRT用于陣發(fā)性AF的有效性及安全性[34]。但上述技術(shù)仍需經(jīng)過(guò)更大規(guī)模臨床試驗(yàn)和長(zhǎng)時(shí)間隨訪證實(shí)。

3 人工智能與心臟器械治療

3.1 人工智能與心力衰竭CRT 植入患者的分型Cikes M 等收集1 106 例植入心臟再同步化治療（cardiac resynchronization therapy，CRT）或植入型心律轉(zhuǎn)復(fù)除顫器（Implantable cardioverter defibrillator，ICD）心力衰竭患者的全心動(dòng)周期張力和容積指標(biāo)，通過(guò)多核學(xué)習(xí)綜合復(fù)雜心功能區(qū)域模式（每個(gè)心動(dòng)周期共計(jì)1 623 個(gè)心動(dòng)超聲數(shù)據(jù)點(diǎn)）和大量臨床資料，將患者分為4 個(gè)亞群[35]。其中2 個(gè)亞群對(duì)CRT 容積反應(yīng)更好并在植入CRT 后獲益最大。該算法也優(yōu)于單純以臨床特征或心動(dòng)超聲指標(biāo)的預(yù)測(cè)模型。

3.2 人工智能與預(yù)測(cè)心臟再同步化治療反應(yīng) 數(shù)個(gè)研究通過(guò)建立模型早期預(yù)測(cè)CRT 應(yīng)答。Kalscheur MM 等[36]通過(guò)建立隨機(jī)森林模型預(yù)測(cè)CRT 術(shù)后心力衰竭事件和死亡復(fù)合終點(diǎn)。模型共納入45 個(gè)常見(jiàn)指標(biāo)，結(jié)果提示該預(yù)測(cè)模型優(yōu)于傳統(tǒng)臨床指標(biāo)如束支阻滯形態(tài)和QTS時(shí)限（工作特征曲線下面積為0.74）。另一研究在回顧性隊(duì)列中預(yù)測(cè)CRT 術(shù)后心臟超聲變化[37]。研究者評(píng)估了各種機(jī)器學(xué)習(xí)算法和臨床變量集，發(fā)現(xiàn)使用簡(jiǎn)單貝葉斯分類器創(chuàng)建的機(jī)器學(xué)習(xí)模型和只有9 個(gè)變量的機(jī)器學(xué)習(xí)模型比其他具有廣泛特征集的模型表現(xiàn)更好。盡管機(jī)器學(xué)習(xí)模型相較指南推薦改善程度不大，但機(jī)器學(xué)習(xí)模型在預(yù)測(cè)反應(yīng)和對(duì)無(wú)事件生存率的區(qū)分方面優(yōu)于當(dāng)前指南。Tokodi M 等[38]通過(guò)納入33 個(gè)變量訓(xùn)練隨機(jī)森林模型并建立SEMMEL‐WEIS-CRT 評(píng)分，以期預(yù)測(cè)CRT 術(shù)后患者1 至5 年全因病死率，結(jié)果提示機(jī)器學(xué)習(xí)訓(xùn)練模型對(duì)病死率的預(yù)測(cè)評(píng)估優(yōu)于目前的臨床風(fēng)險(xiǎn)評(píng)分。

3.3 人工智能與AF 卒中風(fēng)險(xiǎn)預(yù)測(cè) 另外，有研究團(tuán)隊(duì)通過(guò)基于隨機(jī)森林結(jié)合CNNs的機(jī)器學(xué)習(xí)算法，分析已植入ICD 的AF 患者的AF 發(fā)作負(fù)荷，結(jié)果提示機(jī)器學(xué)習(xí)算法結(jié)合CHA2DS2-VASc評(píng)分對(duì)于AF患者卒中風(fēng)險(xiǎn)預(yù)測(cè)相較于單純的CHA2DS2-VASc評(píng)分具有更好的預(yù)測(cè)能力，其工作特征曲線下面積可以由0.52顯著提高到0.63[39]。

4 人工智能與遺傳性心律失常相關(guān)危險(xiǎn)因素

Chen 等[40]通過(guò)聯(lián)合隨機(jī)森林模型和非負(fù)矩陣分解法并納入20 個(gè)心電圖指標(biāo)和15 個(gè)臨床指標(biāo)，以期明確和住院患者獲得性長(zhǎng)QT綜合征全因死亡相關(guān)的危險(xiǎn)因素。結(jié)果提示隨機(jī)森林模型和非負(fù)矩陣分解法的聯(lián)合使用可以有效提高模型的預(yù)測(cè)能力，C 指數(shù)從0.77 顯著提高到0.89。另外，確定了包括腫瘤、血鉀、血鈣及JTc 間期在內(nèi)的多種風(fēng)險(xiǎn)因子。

同樣，Gary 等回顧性納入Brugada 綜合征患者共計(jì)149 名，研究發(fā)現(xiàn)暈厥、AF、QRS 時(shí)限和QTc間期為Brugada 綜合征患者自發(fā)性室速和室顫的獨(dú)立預(yù)測(cè)因子，而通過(guò)非負(fù)矩陣分解法可顯著提高模型的預(yù)測(cè)能力，工作特征曲線下面積可由0.71 提升至0.80[41]。

5 人工智能的局限性與發(fā)展方向

盡管目前有大量關(guān)于人工智能及機(jī)器學(xué)習(xí)在臨床應(yīng)用的相關(guān)研究，但是僅有少數(shù)最終應(yīng)用于臨床實(shí)踐[1]。人工智能在心電生理領(lǐng)域的應(yīng)用仍存在諸多問(wèn)題及局限性：①人工智能在臨床的應(yīng)用較應(yīng)用于商業(yè)、經(jīng)濟(jì)及科技領(lǐng)域要更為復(fù)雜。人工智能模型在不斷學(xué)習(xí)訓(xùn)練過(guò)程中在不斷變化，只有經(jīng)過(guò)長(zhǎng)時(shí)間大樣本量的不斷訓(xùn)練模型才能相對(duì)穩(wěn)定，才能通過(guò)政府監(jiān)管機(jī)構(gòu)的審批。另外，一旦人工智能產(chǎn)生錯(cuò)誤的結(jié)果可能造成嚴(yán)重后果，例如漏診嚴(yán)重的致命性心律失?？赡茉斐苫颊咚劳?，以及人工智能在臨床應(yīng)用過(guò)程中存在的結(jié)果解釋問(wèn)題、患者隱私及相關(guān)法律問(wèn)題都應(yīng)得到重視。②基于人工智能的模型應(yīng)具有普適性。許多人工智能模型基于特定人群如住院患者，以及基于回顧性分析，這均會(huì)導(dǎo)致訓(xùn)練出的模型無(wú)法應(yīng)用于一般人群。例如，一項(xiàng)研究顯示通過(guò)基于X 線深度學(xué)習(xí)診斷肺炎會(huì)受到來(lái)自于醫(yī)院偏倚的影響而無(wú)法推廣應(yīng)用[25]。③機(jī)器學(xué)習(xí)方法學(xué)本身運(yùn)算具有“黑箱子”特性，其運(yùn)算過(guò)程并不透明，其如何通過(guò)數(shù)據(jù)得出結(jié)果并不能被人了解，這使得臨床醫(yī)生基于機(jī)器學(xué)習(xí)結(jié)果做出臨床診斷時(shí)缺乏信心。因此，相較于“基于機(jī)器學(xué)習(xí)指導(dǎo)的臨床決策”，臨床醫(yī)生更傾向于“基于機(jī)器學(xué)習(xí)建議的臨床決策”。④當(dāng)納入統(tǒng)計(jì)模型的數(shù)據(jù)出現(xiàn)人為或非人為錯(cuò)誤時(shí)，其得到的模型也將因此輸出錯(cuò)誤的判斷和結(jié)果，而由于人類常常無(wú)法識(shí)別該種錯(cuò)誤，這類錯(cuò)誤常常具有隱蔽性[2]。⑤人工智能模型應(yīng)結(jié)合臨床環(huán)境，才能更好的應(yīng)用臨床實(shí)踐。部分人工智能模型所納入指標(biāo)在臨床中極少應(yīng)用，甚至無(wú)法獲取，即使模型本身具有可行性，但由于臨床可操作性的限制也會(huì)影響模型的應(yīng)用。

迄今為止，人工智能在心律失常方面的應(yīng)用表現(xiàn)出了巨大的潛力。從筆者的角度，人工智能在分析基因和蛋白組學(xué)數(shù)據(jù)、組織學(xué)特征或探究藥物在心律失常中的作用方向可以展現(xiàn)出更大的潛力。另一方面，人工智能模型的建立應(yīng)該基于大范圍、多中心和大樣本量的數(shù)據(jù)進(jìn)行。目前大多數(shù)人工智能模型常局限于單中心小樣本量數(shù)據(jù)庫(kù)，這會(huì)影響上文中提及的模型普適性。而通過(guò)大規(guī)模超大量的數(shù)據(jù)分析可以有效解決上述問(wèn)題。