李小榮 楊兵

經(jīng)過60多年的發(fā)展,人工智能正迅速發(fā)展,并深刻改變著傳統(tǒng)醫(yī)療體系的診治模式。房顫是臨床最常見的心律失常之一,隨著人口老齡化加劇,其患病率逐年升高。近期北京安貞醫(yī)院牽頭的一項全國大型社區(qū)調(diào)查研究顯示,在我國成年人(≥45歲)中,房顫發(fā)病率約1.8%,估測近800萬人罹患房顫[1]。本文以房顫為切入點(diǎn),深入闡述人工智能在房顫管理中的應(yīng)用進(jìn)展。

1 人工智能概述

1956年,美國計算機(jī)科學(xué)家John McCarthy首次提出了人工智能的術(shù)語和原理[2]。人工智能是指應(yīng)用計算機(jī)科學(xué)的理論與方法,使機(jī)器模仿人類利用知識完成一定行為的計算模擬過程[3],目前實(shí)現(xiàn)人工智能的技術(shù)手段主要有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。機(jī)器學(xué)習(xí)是人工智能的重要組成部分,是計算機(jī)基于算法,從大量數(shù)據(jù)中學(xué)習(xí)訓(xùn)練獲得經(jīng)驗(yàn),形成某種模型,并利用模型預(yù)測結(jié)果的方法[4]。而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種特殊形式,它是讓機(jī)器能夠像人腦神經(jīng)網(wǎng)絡(luò)一樣實(shí)現(xiàn)對數(shù)據(jù)的深度挖掘和解釋的方法[4],其代表算法之一為卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)。深度學(xué)習(xí)的主要優(yōu)勢在于以下幾方面:①數(shù)據(jù)依賴,即只要擁有充足的數(shù)據(jù)就可進(jìn)行學(xué)習(xí)研究,且隨著數(shù)據(jù)規(guī)模的增大,深度學(xué)習(xí)的性能也不斷增強(qiáng);②特征處理,即深度學(xué)習(xí)能自動從數(shù)據(jù)中直接獲取特征,而機(jī)器學(xué)習(xí)中應(yīng)用的特征多需專家確定,其算法性能依賴于所確定特征的準(zhǔn)確度。當(dāng)然,因?yàn)樯疃葘W(xué)習(xí)需進(jìn)行大量運(yùn)算,所以更依賴于GPU等高端硬件;深度學(xué)習(xí)算法中涉及的參數(shù)很多,需要消耗更長的時間。人工智能醫(yī)療的技術(shù)流程見圖1。

圖1 人工智能醫(yī)療的技術(shù)流程

2 人工智能在房顫診治管理中的應(yīng)用

人工智能在房顫診治管理中的應(yīng)用,可以歸納為房顫診斷、預(yù)測、治療支持、預(yù)后預(yù)測等。見圖2。

圖2 人工智能在房顫管理中的應(yīng)用

2.1 房顫診斷

心電信息采集簡單、數(shù)據(jù)量極大,所以,心電檢測也成為人工智能在心血管領(lǐng)域應(yīng)用的主要陣地。隨著移動設(shè)備、可穿戴傳感器和軟件應(yīng)用程序的大規(guī)模應(yīng)用,人們可以通過心電檢測發(fā)現(xiàn)包括房顫在內(nèi)的各類心律失常。基于深度學(xué)習(xí)的心電人工智能,可以準(zhǔn)確掌握心電圖自身的特點(diǎn)和充分理解專家判讀心電圖的思考過程,將人類百年來積累的心電知識和機(jī)器的數(shù)據(jù)學(xué)習(xí)能力進(jìn)行有機(jī)結(jié)合,建立一套診斷能力達(dá)到臨床醫(yī)生平均水平的心電診斷系統(tǒng),其操作方便、價格相對低廉,且能對心電數(shù)據(jù)進(jìn)行實(shí)時分析。HANNUN等[5]使用人工智能-深度神經(jīng)網(wǎng)絡(luò)對來自53 877例患者的91 232條單導(dǎo)聯(lián)動態(tài)心電圖記錄的大型臨床數(shù)據(jù)集進(jìn)行心律分類,結(jié)果發(fā)現(xiàn)人工智能-心電圖(artifical intelligenceenabled ECG,AI-ECG)可以診斷出包括房顫、心房撲動、房室阻滯、交界性心律在內(nèi)的12種心律,其ROC曲線下面積AUC值平均達(dá)0.97,F1平均得分(陽性預(yù)測值和敏感性的平均值)高于心臟病專家診斷時F1的平均值(0.837vs.0.780)。我國GUO等[6]利用基于光電容積脈搏波描記法(photoplethysmographic,PPG)的mHealth技術(shù)開展房顫篩查研究(HUAWEI Heart Study),結(jié)果顯示,在應(yīng)用華為智能手環(huán)或手表的187 912例用戶中,篩查出424例(0.23%)“疑似”房顫患者,其中,262例接受了遠(yuǎn)程管理團(tuán)隊和醫(yī)生的隨訪后,最終227例確診為房顫,其陽性預(yù)測值可達(dá)91.6%。

2.2 房顫預(yù)測

2.2.1 基于心電圖的房顫預(yù)測 陣發(fā)性房顫的診斷依賴于房顫發(fā)作時的心電圖,而人工智能技術(shù)可以根據(jù)陣發(fā)性房顫患者平素未發(fā)作時獲得的竇性心律心電圖,識別出房顫高危個體?！妒澜缧呐K聯(lián)盟房顫路線圖(2020年更新版)》指出,除常規(guī)心電檢查外,還可以利用現(xiàn)代人工智能技術(shù),根據(jù)現(xiàn)有的臨床標(biāo)本、樣本或數(shù)據(jù)(包括心電圖數(shù)據(jù))有效預(yù)測房顫[7]。ATTIA等[8]納入了自1993年12月31日至2017年7月21日美國梅奧診所心電圖室180 922例患者的649 931份竇性心律心電圖,根據(jù)竇性心律的P波預(yù)測房顫,用深度學(xué)習(xí)算法構(gòu)建和優(yōu)化房顫預(yù)測模型,結(jié)果顯示該模型在單次人工智能竇性心律下心電圖預(yù)測房顫的AUC值為0.87,敏感性為79%,特異性為79.5%。BAEK等[9]開發(fā)的遞歸神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法,通過學(xué)習(xí)房顫未發(fā)作時標(biāo)準(zhǔn)12導(dǎo)聯(lián)竇性心律心電圖的細(xì)微差異來預(yù)測房顫,結(jié)果顯示AI-ECG上QRS波群出現(xiàn)前的0.24 s內(nèi)是檢測陣發(fā)性房顫細(xì)微變化的最佳時間窗。人工智能算法還可僅利用竇性心律心電圖預(yù)測人群未來是否會發(fā)生房顫,而無須其他臨床數(shù)據(jù)支持。CHRISTOPOULOS等[10]使用AI-ECG計算梅奧診所臨床研究老年人群中房顫的發(fā)生率,該人群在基線訪視時無房顫病史,共有1 936例參與者被納入分析,平均75.8歲;基線檢查時AI-ECG房顫模型輸出＞0.5的參與者,2、10年的房顫累積發(fā)生率分別為21.5%、52.2%。因此,AI-ECG作為一種低成本的篩查手段,可以根據(jù)竇性心律心電圖識別陣發(fā)性房顫和預(yù)測房顫易發(fā)患者。

2.2.2 基于照片或視頻的房顫預(yù)測 古有扁鵲通過“望色、聽聲”即可得知蔡桓公的疾病狀態(tài),而今借助先進(jìn)的人工智能技術(shù),不需要病史或查體,也能“看臉識病”。香港中文大學(xué)YAN等[11]的研究納入20例永久性房顫患者[平均(76.6±7.6)歲,男12例(60%)]和24例竇性心律對照組人群[平均(56.8±20.2)歲,男14例(58.3%)],通過使用一臺數(shù)碼攝像機(jī)以視頻方式記錄患者面部表情,分析無身體接觸的面部PPG信號,經(jīng)過訓(xùn)練的深度CNN可據(jù)此檢測出患者是否有房顫,其與心電圖之間的一致性良好(95.9%),總敏感性為93.8%(95%CI88.9%～96.6%),特異性為98.1%(95%CI94.6%～99.4%)。

2.3 房顫風(fēng)險評估

腦卒中是房顫的主要并發(fā)癥,目前指南推薦以CHA2DS2-VASc評分作為房顫患者腦卒中風(fēng)險分層的依據(jù),以確定是否需要啟動抗凝治療。該評分系統(tǒng)基于簡單的臨床變量,易于臨床推廣,但其僅考慮人口學(xué)特征、病史和共存疾病的因素,模型過于簡單,不能反映房顫血栓栓塞的復(fù)雜發(fā)病機(jī)制,以及房顫患者中其他關(guān)鍵的表型特征,如房顫的類型和負(fù)荷、電生理特征、左心房纖維化程度、左心耳的解剖和功能、循環(huán)生物因素(心肌標(biāo)志物、炎癥、促凝因子)和心電圖特征(如P波振幅、持續(xù)時間、軸),而上述都是腦卒中風(fēng)險增加的重要因素。HAN等[12]建立人工智能模型后納入3 114例非腦卒中房顫患者作為對照組,將其與71例腦卒中房顫患者進(jìn)行驗(yàn)證,驗(yàn)證數(shù)據(jù)集中的CNN模型表現(xiàn)最好(AUC=0.702),而CHA2DS2-VASc的AUC＜0.5。因此對房顫患者可以使用同時納入結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的人工智能模型自動進(jìn)行腦卒中風(fēng)險評估,以識別高?；颊卟⒓皶r啟動抗凝治療[13]。

2.4 房顫治療輔助支持

2.4.1 藥物濃度監(jiān)測和預(yù)測 抗心律失常藥物有致心律失常風(fēng)險,因此監(jiān)測其血藥濃度至關(guān)重要。ATTIA等[14]從42例(男、女各21例)接受多非利特或安慰劑治療的健康受試者中獲得連續(xù)心電圖和血藥濃度,開發(fā)了一種深度學(xué)習(xí)算法以評估體表心電圖(QTc)形態(tài)學(xué)變化與多非利特血漿濃度的關(guān)系;結(jié)果顯示,QTc的線性模型與多非利特血漿藥物濃度之間有很好的相關(guān)性(r=0.64)。CHANG等[15]的研究納入了61例地高辛中毒患者和177 066例急診患者的心電圖,結(jié)果顯示人工智能在驗(yàn)證隊列和人機(jī)競爭中的AUC值分別為0.912和0.929,敏感性和特異性分別達(dá)到84.6%和94.6%。更有趣的是,僅使用Ⅰ導(dǎo)聯(lián)的人工智能系統(tǒng)(AUC=0.960)并不比使用完整12導(dǎo)聯(lián)(AUC=0.912)的差。因此,基于心電圖的人工智能可用于預(yù)測血漿多非利特、地高辛等房顫治療藥物的濃度,從而經(jīng)濟(jì)、快速、方便地監(jiān)測臨床抗心律失常藥物的濃度。

2.4.2 導(dǎo)管消融的決策支持 肺靜脈電隔離是目前房顫消融治療的基石,但非肺靜脈觸發(fā)灶在部分患者中也起著重要的作用。臺北榮民總醫(yī)院LIU等[16]回顧性分析了521例經(jīng)導(dǎo)管消融治療的陣發(fā)性房顫患者,其中358例未復(fù)發(fā)患者(單純肺靜脈觸發(fā)者298例,占83.2%;非肺靜脈觸發(fā)者±肺靜脈觸發(fā)者60例,占16.8%)的肺靜脈CT成像(PV-CT)數(shù)據(jù)被用來進(jìn)行深度學(xué)習(xí),并創(chuàng)建非肺靜脈觸發(fā)灶的預(yù)測模型,結(jié)果顯示人工智能模型預(yù)測非肺靜脈觸發(fā)的準(zhǔn)確率為(82.4±2.0)%,敏感性為(64.3±5.4)%,特異性為(88.4±1.9)%。利用消融前PV-CT的深度學(xué)習(xí)模型可在消融前識別非肺靜脈觸發(fā)患者,并預(yù)測陣發(fā)性房顫導(dǎo)管消融的觸發(fā)灶。ZOLOTAREV等[17]的研究亦發(fā)現(xiàn),與傳統(tǒng)標(biāo)測相比,基于傅里葉譜特征預(yù)訓(xùn)練的機(jī)器學(xué)習(xí)模型,可以有效地將人離體心臟的心房電圖分類為房顫驅(qū)動或非驅(qū)動灶,從而提高房顫患者靶向消融的準(zhǔn)確性。房顫消融時,構(gòu)建精準(zhǔn)的左心房模型至關(guān)重要,基于模型的FAM(m-FAM)是CARTO系統(tǒng)開發(fā)的一個新模塊,其將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于左心房重建。SCHWARTZ等[18]的研究顯示,無論使用何種導(dǎo)管進(jìn)行標(biāo)測,m-FAM模塊均可快速、精確地重建左心房和肺靜脈解剖結(jié)構(gòu),從而安全地指導(dǎo)房顫消融。

2.4.3 綜合管理 心電圖和動態(tài)心電圖是既往最常用的監(jiān)測房顫復(fù)發(fā)的工具,但是報告的及時性、家庭普及性均不高。目前,基于人工智能的移動設(shè)備用于心電監(jiān)測有望規(guī)?；瘧?yīng)用于術(shù)后隨訪,更早地檢出復(fù)發(fā)房顫,有利于房顫的長期綜合管理。顧賽男等[19]研究顯示,非瓣膜性房顫患者消融治療后利用“大拇指”心電監(jiān)測儀進(jìn)行監(jiān)測,人工智能算法診斷房顫的敏感性和特異性分別為96.5%和99.6%。HUAWEI Heart Study對應(yīng)用移動醫(yī)療技術(shù)的干預(yù)組(1 646例)和常規(guī)治療組(1 678例)的臨床結(jié)局進(jìn)行比較和分析,其中干預(yù)組通過管理平臺接受醫(yī)生的管理;隨訪12個月后,與對照組相比,干預(yù)組的缺血性腦卒中或全身血栓栓塞、死亡和再住院的主要復(fù)合終點(diǎn)發(fā)生率更低(6.0%vs.1.9%),住院率也更低(4.5%vs.1.2%)[20]。由此可見,移動健康技術(shù)可用于改善房顫篩查和優(yōu)化綜合護(hù)理。

2.5 房顫預(yù)后判斷

2.5.1 房顫消融后再住院預(yù)測 由于再發(fā)房顫、心房撲動和手術(shù)并發(fā)癥等原因,接受導(dǎo)管消融治療的房顫患者30 d再入院率約10%[21]。HUNG等[22]研究分析了2013年美國全國房顫患者再入院數(shù)據(jù)庫的數(shù)據(jù),利用K-近鄰、決策樹、支持向量機(jī)等多種機(jī)器學(xué)習(xí)算法建立預(yù)測模型,探討了再入院的危險因素;結(jié)果發(fā)現(xiàn),預(yù)測患者30 d再入院最重要的變量是年齡、出院總次數(shù)以及患者病歷記錄中的疾病數(shù)目等;在所使用的機(jī)器學(xué)習(xí)算法中,K-近鄰算法預(yù)測準(zhǔn)確率最高,達(dá)85%。

2.5.2 主要心血管不良事件預(yù)測 GOTO等[23]利用GARFIELD-AF登記的數(shù)據(jù)開發(fā)了一種新的人工智能模型,用于預(yù)測房顫患者的臨床結(jié)局;研究發(fā)現(xiàn),接受維生素K拮抗劑治療的新診斷房顫患者30 d內(nèi)至少進(jìn)行3次凝血酶原時間測量,該人工智能模型通過捕捉連續(xù)凝血酶原時間測量中的重要信息,預(yù)測患者一年內(nèi)大出血、腦卒中或全身性栓塞和全因死亡的c統(tǒng)計量分別為0.75、0.70和0.61,對主要出血的預(yù)測準(zhǔn)確率最高。

3 人工智能應(yīng)用于醫(yī)療領(lǐng)域存在的問題

人工智能在醫(yī)療領(lǐng)域的研究與臨床應(yīng)用均處于起步階段,雖然前景廣闊,但在發(fā)展過程中仍面臨著一些困難和爭議[24]。

3.1 質(zhì)量控制問題

首先,當(dāng)前人工智能在醫(yī)學(xué)領(lǐng)域中的應(yīng)用研究大多數(shù)是非隨機(jī)、非前瞻性的,存在高偏差風(fēng)險[25]。其次,雖然大數(shù)據(jù)可以增強(qiáng)機(jī)器學(xué)習(xí)模型的性能,但當(dāng)使用深度學(xué)習(xí)卷積模型時,非線性數(shù)據(jù)轉(zhuǎn)換和多重卷積導(dǎo)致數(shù)據(jù)內(nèi)部處理過程很難追蹤,而輸入數(shù)據(jù)的哪些方面對模型輸出的影響最大也難以判斷。從某種意義上說,深度學(xué)習(xí)算法的處理過程就是一個“黑匣子”。因此,深度學(xué)習(xí)算法的可解釋性是當(dāng)前的一個重要研究領(lǐng)域[13]。

3.2 倫理學(xué)問題

基于人工智能的可穿戴設(shè)備是電子消費(fèi)品,價格較高,在不同收入、年齡人群中的接受程度都存在差異。此外,人工智能的參與會不會產(chǎn)生假陽性結(jié)果,帶來過度診斷與過度治療,甚至導(dǎo)致傷害尚屬未知。尤其值得注意的是,目前多數(shù)人工智能研發(fā)機(jī)構(gòu)屬于私人公司,這類公司如果存儲有大量敏感的醫(yī)療數(shù)據(jù)和個人信息,是否會引發(fā)道德和法律問題[26]?如果基于人工智能的醫(yī)療應(yīng)用被犯罪分子利用,則可能會導(dǎo)致巨大災(zāi)難。

3.3 結(jié)果推廣問題

首先,人工智能醫(yī)療基于算法和既往的大量數(shù)據(jù),依據(jù)數(shù)據(jù)的局部特征進(jìn)行識別,其對個體的整體屬性、罕見病或未見過的場景則無法識別。其次,許多研究基于單中心、回顧性的臨床數(shù)據(jù),模型的泛化能力較差。再次,人工智能模型對數(shù)據(jù)質(zhì)量的高要求,也限制了其預(yù)測的準(zhǔn)確性和在基層的可推廣性。

3.4 弱化醫(yī)護(hù)地位問題

人工智能醫(yī)療的快速發(fā)展,一定程度上可以減輕醫(yī)護(hù)工作負(fù)擔(dān),幫助醫(yī)護(hù)管理患者,與此同時,可能會弱化醫(yī)護(hù)專業(yè)的地位。但鑒于醫(yī)學(xué)科學(xué)的復(fù)雜性和人們對疾病認(rèn)識的局限性,人工智能完全取代醫(yī)護(hù)專業(yè)人員的工作是不可能的。

4 小結(jié)

利用人工智能,基于計算機(jī)算法可以優(yōu)化診斷過程、提高決策能力,有望徹底改變傳統(tǒng)的醫(yī)療診治模式。從房顫管理角度出發(fā),人工智能可以通過可穿戴設(shè)備、遠(yuǎn)程心電網(wǎng)絡(luò)平臺篩查出房顫患者;通過心電圖、超聲心動圖、影像學(xué)及血液學(xué)檢查的特征預(yù)測房顫,并輔助臨床醫(yī)生預(yù)測消融靶點(diǎn)、制定消融方案,甚至開展機(jī)器人主導(dǎo)下的消融;在藥物治療過程中,可以利用人工智能監(jiān)測抗心律失常藥物的血藥濃度;隨訪期間,基于人工智能的輔助系統(tǒng)有助于預(yù)測主要心血管不良事件;人工智能甚至可以預(yù)測治療復(fù)雜房顫的藥物組合,或結(jié)合蛋白質(zhì)組學(xué)尋找新的藥物研發(fā)靶點(diǎn)。當(dāng)然,人工智能的研究和應(yīng)用均處于起步階段,存在質(zhì)量控制、結(jié)果推廣等方面的諸多問題,需要在發(fā)展過程中繼續(xù)探索解決之道。