吳岳恒，余細(xì)勇

(1.廣東省人民醫(yī)院/廣東省醫(yī)學(xué)科學(xué)院 廣東省華南結(jié)構(gòu)性心臟病重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510080；2.廣州醫(yī)科大學(xué)藥學(xué)院 國家藥監(jiān)局胸腔疾病藥物臨床研究與評價(jià)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 511436)

人工智能(artificial intelligence，AI)是指通過獲取廣泛的知識后能夠自行模擬人類推理和思考能力的技術(shù)或系統(tǒng)。隨著超級計(jì)算機(jī)和算法的進(jìn)步，AI已經(jīng)在心血管成像和診斷、心血管風(fēng)險(xiǎn)預(yù)測、心力衰竭(HF)患者管理中得到廣泛應(yīng)用。AI的主要技術(shù)手段是機(jī)器學(xué)習(xí)(machine learning，ML)，是指從已有的數(shù)據(jù)中“猜測”出具有一般性的規(guī)律，將其應(yīng)用到未知樣本上并進(jìn)行預(yù)測的方法。根據(jù)模型和算法的不同可將ML分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。深度學(xué)習(xí)(deep learning，DL)是無監(jiān)督學(xué)習(xí)的一種，其旨在建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)如圖像、聲音和文本等。強(qiáng)化學(xué)習(xí)是基于行為心理學(xué)的 ML 的另一個(gè)新興分支學(xué)科。AI/ML 算法無需準(zhǔn)確的假設(shè)即可以分析大量的數(shù)據(jù)進(jìn)行疾病風(fēng)險(xiǎn)預(yù)測和分類，這可以提高心臟科醫(yī)生的診療效率[1]。本綜述從心血管疾病的診斷、預(yù)測、治療和基礎(chǔ)研究等多方面總結(jié)了AI在心血管疾病研究和臨床中的應(yīng)用。

1 AI在心血管疾病診斷中的應(yīng)用

目前已經(jīng)開發(fā)了多種類型的心血管 AI 應(yīng)用于心電圖(ECG)和心血管影像檢查如胸部 X 射線、超聲心動圖、心臟CT成像和磁共振(MRI)成像等，這些方法精度高，可以發(fā)現(xiàn)心臟病專家難以檢測到的異常情況[2]。

1.1 ECG

ECG在臨床上容易獲取，是篩查和診斷心血管疾病的主要方法之一。盡管計(jì)算機(jī)輔助ECG判讀已廣泛應(yīng)用于臨床，但仍存在相當(dāng)大的誤判如難以識別不典型心房撲動、早期復(fù)極化等。AI可以通過大量學(xué)習(xí)臨床ECG，識別ECG的細(xì)微差別，從而提高ECG自動判讀的準(zhǔn)確性，并應(yīng)用于心律失常如心房顫動(AF)的診斷和預(yù)測、心臟結(jié)構(gòu)異常或功能檢測等領(lǐng)域。Attia 等[3]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)算法建立了一個(gè) ECG模型，在竇性心律中通過 P 波識別AF，并且取得了很高的準(zhǔn)確率。AI 可以根據(jù) ECG 數(shù)據(jù)識別早期心血管疾病，例如肥厚型心肌病(HCM)、HF、 先天性心臟病(先心病)、心臟瓣膜病等。將AI獲得的ECG結(jié)果整合到生活實(shí)踐中是目前電生理學(xué)的熱點(diǎn)之一，但仍然存在較大的假陽性或假陰性。

1.2 胸部X射線圖像

胸部X線檢查也是心血管臨床實(shí)踐中最常用的檢查之一。Matsumoto等[4]將該技術(shù)應(yīng)用于HF的診斷，創(chuàng)建了一個(gè)AI來區(qū)分HF患者和正常人。研究者首先安排兩名心臟病專家對美國國立衛(wèi)生研究院發(fā)布的260 張正常和 378 張HF圖像進(jìn)行了驗(yàn)證和重新標(biāo)記，然后通過VGG16 網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和分析，結(jié)果顯示其可以區(qū)分HF和正常情況，準(zhǔn)確率為 82%，敏感性和特異性分別為75% 和 94%。因此，AI可以用于使用胸部 X 射線圖像診斷HF。

1.3 心臟超聲成像

超聲心動圖可以獲取大量的心臟動態(tài)信息，但其檢測結(jié)果過于依賴檢查者的經(jīng)驗(yàn)。近年來，超聲心動圖AI已經(jīng)從二維心腔層面的識別和分割發(fā)展到三維超聲的定量計(jì)算、動態(tài)室壁運(yùn)動異常評價(jià)和視頻數(shù)據(jù)的連續(xù)評估，并應(yīng)用于自動心功能測量、疾病診斷和預(yù)后預(yù)測。相比人工測量，AI對心房、心室內(nèi)徑測量和計(jì)算可實(shí)現(xiàn)更高的準(zhǔn)確度。迄今為止，超聲心動圖AI已經(jīng)應(yīng)用于先心病、HCM和HF等心血管疾病的診斷和風(fēng)險(xiǎn)預(yù)測。先心病的精準(zhǔn)診斷依賴于胎兒超聲心動圖，但不同地區(qū)、不同年資醫(yī)生的診斷差別很大。為了解決這一問題，Arnaout等[5]從1 326例18～24周胎兒的超聲心動圖中訓(xùn)練出一組神經(jīng)網(wǎng)絡(luò)模型來識別關(guān)鍵的心臟視圖，并區(qū)分正常和先心病心臟。以上結(jié)果說明AI對于超聲心動圖的自動化診斷及預(yù)后預(yù)測具有廣泛的應(yīng)用前景。

1.4 心臟CT成像

心臟CT成像(CCTA)是篩查、診斷冠狀動脈疾病最重要的無創(chuàng)影像技術(shù)，AI在該領(lǐng)域的應(yīng)用主要包括心血管圖像分割、疾病診斷及預(yù)后評估等。CCTA的AI圖像分割模型比較困難，常輸出不符合解剖學(xué)的分割結(jié)果。最近，Gurpreet等[6]將 U-Net(一個(gè)專為醫(yī)學(xué)圖像分割設(shè)計(jì)的算法)應(yīng)用于心臟 CT 的分割中，可實(shí)現(xiàn)自動計(jì)算冠狀動脈鈣化積分(CCS)、冠狀動脈狹窄程度、評估斑塊易損性等，表現(xiàn)良好?；贑CTA的血流儲備分?jǐn)?shù)(CTFFR)不需要注射藥物，且可以用來評估冠狀動脈病變的血流動力學(xué)。Mathew等[7]通過AI機(jī)器學(xué)習(xí)的方法得到的CTFFR與流體動力學(xué)得到的CTFFR相關(guān)性達(dá)到0.999(P<0.001)，與有創(chuàng)FFR之間的相關(guān)性為0.729(P<0.001)，僅需1～2 s就能完成計(jì)算。所以，基于AI/ML得到的CTFFR可能是未來的發(fā)展趨勢之一。

1.5 心臟核素顯像

單光子發(fā)射計(jì)算機(jī)斷層顯像(SPECT)的心肌灌注成像是臨床上評估心肌缺血的重要方法，可用于評估心肌血流灌注情況、左心室功能及風(fēng)險(xiǎn)分層如預(yù)測心臟不良事件等。Liu等[8]使用CNN對37 243例單純負(fù)荷心肌灌注圖像進(jìn)行DL并建立冠心病診斷模型，該模型的AUC亦明顯高于傳統(tǒng)的負(fù)荷灌注缺損面積的方法，這說明DL對冠心病的診斷價(jià)值高于臨床上常用的負(fù)荷SPECT顯像方法。AI在SPECT方面還能應(yīng)用于冠心病患者預(yù)后的預(yù)測。值得指出的是，AI預(yù)測模型如何應(yīng)用到未來的檢測數(shù)據(jù)以及對特定患者的預(yù)測還需要進(jìn)一步的研究。

1.6 心臟MRI成像

心臟MRI是非侵入性評估心血管疾病的重要工具，其缺點(diǎn)主要是左心室分段處理耗時(shí)較多、掃描時(shí)間長、對醫(yī)師的技術(shù)要求較高等[9]。AI在心臟MRI中的應(yīng)用包括圖像重建、分割、疾病診斷和預(yù)測預(yù)后等。由于心臟MRI重建和分割所需的數(shù)據(jù)集已廣泛公開，心臟MRI中基于AI的分割算法比其他任何心臟成像方式都要多。自動檢測心肌邊界的左心室分割算法現(xiàn)在可以全自動測量左心室體積和射血分?jǐn)?shù)，結(jié)果可與專家人工判斷高度一致[9]。異常心肌組織區(qū)域如左心室瘢痕和心房纖維化的分割是當(dāng)前研究熱點(diǎn)，基于CNN的算法能夠區(qū)分左心室瘢痕與正常心肌，并準(zhǔn)確量化缺血和HCM患者的瘢痕體積[10]。

AI在ECG和心臟影像學(xué)領(lǐng)域已經(jīng)產(chǎn)生了相當(dāng)大的影響，從工作流程的改進(jìn)到自動圖像分割、從疾病診斷到風(fēng)險(xiǎn)預(yù)測，但其自身仍有一定局限性，其廣泛可用性、可重復(fù)性和適用性仍有待觀察。未來AI將結(jié)合大量臨床和心臟病學(xué)的成像數(shù)據(jù)，實(shí)現(xiàn)精準(zhǔn)醫(yī)療。

2 AI在心血管疾病預(yù)防預(yù)測中的應(yīng)用

除了ECG和心血管影像數(shù)據(jù)，其他臨床數(shù)據(jù)也可以單獨(dú)或者聯(lián)合影像數(shù)據(jù)使用AI，建立風(fēng)險(xiǎn)預(yù)測模型，實(shí)現(xiàn)冠心病、先心病、HF等心血管疾病的早期篩查和風(fēng)險(xiǎn)預(yù)測。

2.1 冠狀動脈疾病的早期預(yù)測

應(yīng)用AI可以在癥狀出現(xiàn)之前預(yù)測心血管不良事件，如使用冠狀動脈周圍的脂肪變化來預(yù)測冠心病。Naushad 等[11]開發(fā)了一種冠狀動脈疾病早期預(yù)測工具，其算法包括集成 ML 算法(EMLA)、多因素降維(MDR)和遞歸分區(qū)(RP)等。最終發(fā)現(xiàn)這些模型均能用于冠心病的發(fā)生預(yù)測和狹窄預(yù)測，且EMLA方法優(yōu)于其他模型。AI還可以通過整合其他臨床信息發(fā)現(xiàn)傳統(tǒng)方法檢測不出的疾病特征。

2.2 先心病的風(fēng)險(xiǎn)預(yù)測

AI技術(shù)已經(jīng)應(yīng)用于先心病的風(fēng)險(xiǎn)分層和預(yù)后預(yù)測。Ruiz 等[12]利用93例單心室患兒臨床數(shù)據(jù)訓(xùn)練貝葉斯模型，開發(fā)出一套心臟重癥監(jiān)護(hù)預(yù)警指數(shù)(C-WIN)模型，該工作有利于醫(yī)生預(yù)測危重患者危險(xiǎn)事件的發(fā)生，并對其進(jìn)行及時(shí)干預(yù)。成人先心病方面，Diller等[13]探索了基于DL的算法在成人先心病患者的風(fēng)險(xiǎn)預(yù)測和預(yù)后評估中的作用，其準(zhǔn)確度與人工方法近似。雖然AI在先心病的風(fēng)險(xiǎn)預(yù)測中已有部分研究，但由于先心病異質(zhì)性較大，研究進(jìn)展較緩。

2.3 基于視網(wǎng)膜血管病變的心血管風(fēng)險(xiǎn)預(yù)測

既往臨床實(shí)踐證實(shí)，視網(wǎng)膜血管病變能夠反映高血壓、糖尿病等心血管疾病的嚴(yán)重程度。最近研究人員利用CNN的方法自動測量了7萬多幅視網(wǎng)膜照片，結(jié)合自動測量的視網(wǎng)膜血管直徑和心血管疾病危險(xiǎn)因素(包括血壓、體質(zhì)指數(shù)、總膽固醇和糖化血紅蛋白水平等)，AI模型能夠有效地預(yù)測人群的心血管疾病風(fēng)險(xiǎn)[14]。該方法與傳統(tǒng)檢測手段取得的結(jié)果具有良好的一致性。

2.4 心力衰竭(HF)的風(fēng)險(xiǎn)預(yù)測和預(yù)防

HF是一種臨床綜合征，病因復(fù)雜，將HF患者進(jìn)行精細(xì)化分類有利于臨床決策。目前，AI在HF中的應(yīng)用研究已經(jīng)涵蓋HF診斷、預(yù)防、住院預(yù)防和管理等環(huán)節(jié)。如Cikes等[15]利用超聲心動圖和臨床數(shù)據(jù)，采用無監(jiān)督式機(jī)器學(xué)習(xí)算法對HF隊(duì)列進(jìn)行表型分類，確定了4種預(yù)后不同的HF表型，該研究可能有助于提高HF患者對特定治療方案的應(yīng)答率。此外，AI也可以為HF患者提供可實(shí)時(shí)操作的信息，如判斷患者是否依從治療方案等。

2.5 術(shù)后風(fēng)險(xiǎn)評估

AI也可以應(yīng)用于心臟手術(shù)后的風(fēng)險(xiǎn)評估，如術(shù)后急性腎損傷(CSA-AKI)預(yù)測、術(shù)后死亡風(fēng)險(xiǎn)預(yù)測等。原發(fā)性二尖瓣關(guān)閉不全是一種異質(zhì)性臨床疾病，瓣膜手術(shù)后患者的預(yù)后差異很大。Pimor 等[16]進(jìn)行了無監(jiān)督聚類分析，將這些患者分為3種表型，發(fā)現(xiàn)這些表型在臨床特征和術(shù)后預(yù)后方面存在顯著差異，這有利于這類患者的術(shù)前評估和治療方案的制定。

2.6 心臟驟停的早期預(yù)測

心臟驟停是危及生命的心臟疾病，其早期預(yù)測非常重要。AI 技術(shù)廣泛應(yīng)用于預(yù)測不同類型患者的心臟驟停風(fēng)險(xiǎn)，其應(yīng)用主要有3類：一是通過分析特定患者的參數(shù)或變量來預(yù)測心臟驟停，二是開發(fā)了基于AI的警告系統(tǒng)，三是區(qū)分心臟驟停高風(fēng)險(xiǎn)患者和無風(fēng)險(xiǎn)患者[17]。由于引起心臟驟停的原因很多，準(zhǔn)確的預(yù)測還需要更多的數(shù)據(jù)支撐。

3 AI在心血管疾病治療中的應(yīng)用

AI在心血管醫(yī)學(xué)中的最早應(yīng)用之一是心血管藥物治療。目前，AI已經(jīng)在心血管介入和臨床決策領(lǐng)域取得快速進(jìn)展。

3.1 藥物治療

AI對新藥的開發(fā)和使用已經(jīng)產(chǎn)生了重大影響，如制定有效的用藥方法，降低心血管藥物如氯吡格雷、華法林和他汀類藥物出現(xiàn)不良反應(yīng)的風(fēng)險(xiǎn)等。最經(jīng)典的案例是關(guān)于華法林的使用，隨機(jī)臨床試驗(yàn)表明，藥物基因組學(xué)的結(jié)果已經(jīng)對不同患者群體的華法林劑量產(chǎn)生了重大影響[18]?？偟膩碚f，AI在藥物發(fā)現(xiàn)、個(gè)性化藥物治療和精準(zhǔn)醫(yī)學(xué)方面具有重要的價(jià)值。

3.2 介入治療

在過去的10年里，介入心臟病學(xué)得到了巨大的發(fā)展，AI已經(jīng)在介入治療策略設(shè)計(jì)、手術(shù)流程優(yōu)化和減少并發(fā)癥等方面取得一些進(jìn)展?；贏I的血管腔內(nèi)介入手術(shù)機(jī)器人自動導(dǎo)航技術(shù)可實(shí)時(shí)將疾病數(shù)據(jù)、血流動力學(xué)數(shù)據(jù)和影像學(xué)數(shù)據(jù)融合在一起。將來在心導(dǎo)管實(shí)驗(yàn)室，實(shí)時(shí)評估和整合患者解剖結(jié)構(gòu)信息，結(jié)合自體活細(xì)胞3D打印技術(shù)，可能是介入心臟病學(xué)的一個(gè)重要方向[19]。

3.3 臨床決策支持

在一個(gè)醫(yī)學(xué)知識不斷增長的時(shí)代，對疾病的診斷和治療選擇是困難的，標(biāo)準(zhǔn)化的臨床決策方案有重要價(jià)值。目前，臨床決策支持系統(tǒng)如使用ML、模式識別和自然語言處理(NLP)等技術(shù)來模仿人類思維過程，尚處于開發(fā)階段。

4 AI在心血管基礎(chǔ)研究中的應(yīng)用

在基礎(chǔ)研究中，AI的主要應(yīng)用場景是各種類型的組學(xué)，如基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白組學(xué)和代謝組學(xué)等。AI可以將這些組學(xué)數(shù)據(jù)過濾和挖掘，并獲得新的發(fā)現(xiàn)，從而為臨床試驗(yàn)以及最終的臨床實(shí)踐提供支持。很多心血管疾病為多基因疾病，了解其遺傳變異對明確心血管疾病的發(fā)生發(fā)展有重要意義。例如，最近一項(xiàng)對2 780例病例和47 486例對照的全基因組關(guān)聯(lián)研究確定了12個(gè)易感位點(diǎn)對HCM具有重要意義，并發(fā)現(xiàn)部分位點(diǎn)對HCM的肌節(jié)蛋白影響很大[20]。AI還可以用于動脈粥樣硬化斑塊的代謝分析，并發(fā)現(xiàn)了新的預(yù)后不良風(fēng)險(xiǎn)因素。如Jung 等[21]使用AI/精準(zhǔn)醫(yī)學(xué)對人體斑塊樣本進(jìn)行綜合代謝分析，發(fā)現(xiàn)某些脂質(zhì)代謝物在斑塊中顯著升高，可能是其重要的標(biāo)志物。隨著大數(shù)據(jù)時(shí)代的來臨，越來越多的轉(zhuǎn)錄組學(xué)、蛋白組學(xué)和代謝組學(xué)等數(shù)據(jù)被測試出來，AI輔助的多組學(xué)研究將要來臨。

總體而言，AI輔助的多組學(xué)研究遠(yuǎn)未達(dá)到臨床應(yīng)用水平，其中的原因較多，如臨床醫(yī)生缺乏對AI的深入理解、AI模型缺乏透明度、缺乏良好的表型數(shù)據(jù)和較差的組學(xué)數(shù)據(jù)質(zhì)量等。

5 問題與展望

如前所述，AI在心血管疾病的診斷、預(yù)測、治療和基礎(chǔ)研究中得到了廣泛的應(yīng)用，如在臨床診斷技術(shù)、治療分析工具、診療有效性和安全性方面都取得了一些具體進(jìn)展(圖1)，但其局限性也比較明顯。首先是專業(yè)科學(xué)問題的提出。由于心血管疾病的復(fù)雜性，AI科學(xué)問題的提出需要計(jì)算機(jī)科學(xué)家、臨床研究人員、臨床醫(yī)生和患者之間的密切合作，這顯然是困難的。第二，用于訓(xùn)練算法的數(shù)據(jù)集質(zhì)量差、數(shù)量有限。這個(gè)問題幾乎存在于所有的AI應(yīng)用研究，基于不合格數(shù)據(jù)集的AI會誤導(dǎo)我們，即所說的“垃圾進(jìn)，垃圾出”。第三，使用錯(cuò)誤算法進(jìn)行數(shù)據(jù)分析，特別是使用假設(shè)與因果關(guān)系相關(guān)的算法。比如，有多種算法可以應(yīng)用于ECG的風(fēng)險(xiǎn)預(yù)測，并具有很高的特異性和敏感性，但是在不同的算法下，有些ECG異常會被算法所忽略。第四，安全和倫理問題，這是一個(gè)全球問題。由于大多數(shù)醫(yī)療AI公司都是營利性組織，因此人們對其使用數(shù)據(jù)的透明度、安全和倫理問題普遍擔(dān)憂[22]。因此，AI不大可能取代心血管專家，不過AI會成為熟練的輔助者，用來擴(kuò)展心血管專家的臨床能力，做出更準(zhǔn)確及時(shí)的診斷、治療和護(hù)理方案等。

圖1 AI在心血管疾病診療中的應(yīng)用與發(fā)展

總而言之，AI技術(shù)在心血管領(lǐng)域的應(yīng)用方興未艾，潛力巨大。中國有龐大的心血管患者群體和豐富的臨床數(shù)據(jù)，隨著計(jì)算機(jī)科學(xué)家、臨床研究人員、臨床醫(yī)生和患者之間的密切合作，AI技術(shù)在心血管領(lǐng)域的應(yīng)用將大大拓展，并最終改善中國心血管病患者的健康狀況。