趙福鍇，李劍明

天津醫(yī)科大學(xué)心血管病臨床學(xué)院 泰達(dá)國際心血管病醫(yī)院核醫(yī)學(xué)科，天津 300457；*通信作者 李劍明 ichlijm@163.com

核心臟病學(xué)中最常采用SPECT和PET心肌灌注顯像（myocardial perfusion imaging，MPI）診斷和評估冠狀動脈疾?。╟oronary artery disease，CAD），一份完整的MPI檢查包括豐富的影像學(xué)信息和臨床變量，對可疑或確診冠心病患者的預(yù)后評估具有重要價(jià)值[1]。然而，處理和整合分析這些大量且多樣的信息對技術(shù)操作者和報(bào)告醫(yī)師充滿挑戰(zhàn)。近年來人工智能（artificial intelligence，AI）在醫(yī)學(xué)成像方面的應(yīng)用迅速發(fā)展，主要包括基于特征分析的機(jī)器學(xué)習(xí)（machine learning，ML）和基于圖像的深度學(xué)習(xí)（deep learning，DL）技術(shù)，前者使用預(yù)先定義的特征建立數(shù)學(xué)模型從而完成預(yù)測，后者則從成像數(shù)據(jù)中自動提取特征并進(jìn)行預(yù)測。AI不僅能輔助處理復(fù)雜而大量的數(shù)據(jù)，而且能直接準(zhǔn)確地從圖像中提取信息并進(jìn)行整合分析，消除了人的主觀性，在優(yōu)化圖像質(zhì)量的同時(shí)，能得出重復(fù)性好、可靠且可解釋的結(jié)論。目前國際上利用AI在MPI多個(gè)方面進(jìn)行初步研究，預(yù)計(jì)這些基于AI的新方法能很快進(jìn)入臨床實(shí)踐，并在核心臟病學(xué)中發(fā)揮重要作用。為此，本文對AI在MPI的采集過程、衰減校正、圖像后處理、診斷報(bào)告和患者預(yù)后評估方面的最新研究進(jìn)展進(jìn)行綜述。

1 AI 參與采集數(shù)據(jù)處理

1.1 利用AI減少圖像采集時(shí)間 目前的MPI采集過程要求患者在機(jī)器上相對較長時(shí)間保持靜止，減少采集時(shí)間能帶來更少的不必要運(yùn)動及更好的患者舒適度，對不能久臥患者更友好。Shiri等[2]使用DL中的卷積神經(jīng)網(wǎng)絡(luò)減少每個(gè)投影的采集時(shí)間或減少角度投影的數(shù)量采集的圖像質(zhì)量。與作為參考的全時(shí)間/角度采集圖像相比，預(yù)測的全時(shí)間/角度圖像具有可靠的一致性。除上述方案外，Hu等[3]探索通過減少M(fèi)PI成像步驟，減少受檢者的輻射暴露和額外費(fèi)用，僅負(fù)荷顯像可大幅降低輻射量并縮短檢查時(shí)間；該研究使用ML生成的評分預(yù)測來自多中心數(shù)據(jù)庫的20 414例患者發(fā)生主要心血管不良事件（major adverse cardiovascular event，MACE）的概率，實(shí)現(xiàn)自動判斷是否取消靜息掃描。在靜息掃描取消率相同時(shí)，3種ML方法選擇的僅負(fù)荷試驗(yàn)患者發(fā)生MACE的風(fēng)險(xiǎn)低于臨床視覺分析選擇方法。與Hu等[3]使用是否發(fā)生MACE作為取消掃描的指標(biāo)相比，Eisenberg等[4]采用是否發(fā)生高?；蜃枞怨谛牟∽鳛轭A(yù)測指標(biāo)，該研究中ML評分閾值為0.29時(shí)，檢測阻塞性冠心病的敏感度為95%，檢測高危冠心病的敏感度優(yōu)于采用總灌注缺損或?qū)＜易x片方法（96%比90%比89%；P＜0.01）?；贛L的評分系統(tǒng)的高靈敏度為診斷醫(yī)師提供了一種新方法，在保證SPECT MPI預(yù)后價(jià)值的前提下，自動取消靜息掃描，從而減少患者所受輻射劑量、額外費(fèi)用和縮短掃描時(shí)間，并減輕臨床醫(yī)師的負(fù)擔(dān)。

1.2 利用AI彌補(bǔ)低劑量信息及降低高噪聲 在成像過程中減少用藥劑量能降低患者所受輻射劑量，如何準(zhǔn)確、高效地處理低劑量采集所帶來的圖像噪聲是首要問題。Ramon等[5]使用卷積神經(jīng)網(wǎng)絡(luò)的DL算法抑制采用連續(xù)低劑量SPECT MPI時(shí)升高的圖像噪聲，從而在降低劑量的同時(shí)完成對灌注缺陷的檢測；該研究結(jié)果表明，DL算法降噪處理在1/2注射劑量條件下可獲得與全劑量傳統(tǒng)濾波反投影和有序子集最大期望重建類似的診斷效果。Aghakhan Olia等[6]采用DL中的對抗生成網(wǎng)絡(luò)取得更好的結(jié)果：該研究采用的DL算法在1/2和1/4注射劑量下圖像的臨床接受率與1/8劑量下（11%）相比，達(dá)到100%和80%。Liu等[7]采用DL中噪聲對噪聲的訓(xùn)練方法及耦合的U型網(wǎng)絡(luò)抑制噪聲，該方法不需要原始圖像與噪聲圖像集的訓(xùn)練，僅使用不同噪聲下的圖像集即可進(jìn)行圖像降噪，該研究采取的DL算法較傳統(tǒng)的后濾波可產(chǎn)生更好的噪聲抑制。此外，使用最佳設(shè)置時(shí)在灌注缺損檢測方面優(yōu)于傳統(tǒng)的三維高斯濾波器、三維非局部均值濾波器及卷積自編碼降噪網(wǎng)絡(luò)。Yu等[8]使用DL中的卷積神經(jīng)網(wǎng)絡(luò)基于低劑量圖像預(yù)測正常劑量圖像，并將圖像去噪的性能與保真度指標(biāo)以及心臟缺陷檢測能力進(jìn)行比較，結(jié)果發(fā)現(xiàn)該去噪方法降低圖像噪聲的同時(shí)降低了缺陷對比度，從而降低了缺陷檢測的性能。上述研究均基于SPECT，在PET方面也有類似的研究。Wang等[9]采用融合人工神經(jīng)網(wǎng)絡(luò)改善PET MPI圖像質(zhì)量，該方案改善了灌注缺損中噪聲與偏差及對比度的權(quán)衡，提高了對跨壁及非跨壁放射性缺損的檢測能力。

2 AI 參與有源或無源衰減校正

使用CT掃描圖像進(jìn)行衰減校正可以提高SPECT的精度，且能進(jìn)行半定量分析[10]。但目前醫(yī)療機(jī)構(gòu)使用的大多為未配備CT的SPECT設(shè)備，單獨(dú)進(jìn)行CT掃描一方面增加了患者的輻射劑量，另一方面異機(jī)CT采集可能存在一定的配準(zhǔn)誤差、運(yùn)動或重建偽影等，使衰減校正圖像質(zhì)量不佳?；诖?，有研究將衰減校正與DL結(jié)合，其中又分為基于DL的間接衰減校正和直接衰減校正。間接衰減校正從發(fā)射圖像中預(yù)測生成CT衰減圖，再使用CT衰減圖進(jìn)行衰減校正；而直接衰減校正從沒有CT衰減圖的非衰減校正圖像中直接預(yù)測生成衰減校正圖像。

在SPECT MPI方面，Shi等[11]使用DL中的條件對抗生成網(wǎng)絡(luò)模型從受檢者的SPECT發(fā)射數(shù)據(jù)間接進(jìn)行衰減校正，在該DL模型中，輸入端同時(shí)接受SPECT圖像和散射數(shù)據(jù)，輸出端生成CT衰減圖進(jìn)一步用于生成DL預(yù)測衰減校正圖像；該研究中預(yù)測衰減校正圖像和真實(shí)衰減校正圖像之間的歸一化標(biāo)準(zhǔn)誤為（0.26±0.15）%；同時(shí)證明在僅有發(fā)射數(shù)據(jù)而無散射數(shù)據(jù)時(shí)，該DL模型較普通模型產(chǎn)生CT衰減圖仍是可行的。Prieto等[12]采用的基于U型網(wǎng)絡(luò)的DL算法間接生成CT衰減圖的歸一化標(biāo)準(zhǔn)誤達(dá)到（0.23±0.13）%。與Shi等[11]使用間接衰減校正方法和傳統(tǒng)SPECT數(shù)據(jù)不同，Yang等[13]使用基于U型網(wǎng)絡(luò)的DL算法對來自碲鋅鎘（cadmium-zinc-telluride，CZT）SPECT心臟專用機(jī)的患者數(shù)據(jù)進(jìn)行處理，直接從非衰減校正圖像生成預(yù)測衰減校正圖像。與非衰減校正圖像相比，該算法預(yù)測的衰減校正圖像能帶來更小的節(jié)段誤差。此外，Shanbhag等[14]采用條件對抗生成網(wǎng)絡(luò)直接生成預(yù)測衰減圖像，在阻塞性冠心病中診斷總灌注缺損的效能與CT衰減校正圖像相似[曲線下面積（AUC）0.79比0.81，P=0.196]。此外，Shanbhag等[14]還使用單中心的數(shù)據(jù)訓(xùn)練DL模型并在來自兩個(gè)不同中心的數(shù)據(jù)上進(jìn)行外部測試，結(jié)果顯示使用該模型診斷梗阻性CAD的準(zhǔn)確度高于使用非衰減校正圖像（AUC 0.79比0.70，P＜0.001）。Chen等[15]在此基礎(chǔ)上采用2種DL方法比較直接和間接衰減校正方法在心臟專用SPECT和通用SPECT上的性能，結(jié)果顯示無論是在心臟專用還是通用SPECT，間接衰減校正方法較直接衰減校正方法在圖像體素、靶心圖分段和缺損范圍方面均具有更穩(wěn)定、優(yōu)越的性能。盡管直接方法存在對真正的缺陷進(jìn)行過度修正、易對缺陷大小估計(jì)不足等問題，但受限于心臟專用機(jī)有限的采集視野，仍需進(jìn)一步完善對直接衰減校正方法的研究。Hagio等[16]使用DL方法在11 000人以上數(shù)據(jù)中進(jìn)行直接衰減校正生成預(yù)測衰減校正圖像，與非衰減校正圖像相比，預(yù)測圖像的總灌注缺損診斷性能有所改善（AUC 0.827比0.780，P=0.012），且預(yù)測圖像與CT衰減校正圖像的AUC無顯著差異。Wang等[17]的PET MPI研究表明，結(jié)合多尺度可變形結(jié)構(gòu)及卷積神經(jīng)網(wǎng)絡(luò)的U型網(wǎng)絡(luò)算法較單純U型網(wǎng)絡(luò)算法在直接衰減校正方法的性能更好。

目前該方向研究普遍存在一些局限性：首先，大多數(shù)研究采用小樣本量進(jìn)行DL訓(xùn)練，容易出現(xiàn)過擬合，在多樣化的人群中可能表現(xiàn)不佳；其次，研究數(shù)據(jù)均來自單一機(jī)構(gòu)、單一設(shè)備、單類顯像劑，且在數(shù)據(jù)預(yù)處理過程中易受操作者主觀因素干擾，結(jié)果缺乏泛化性。但這些研究均驗(yàn)證了采用DL算法生成衰減校正圖像的可行性。

3 AI 參與圖像后處理

MPI診斷CAD和左心室功能評估，需要準(zhǔn)確的圖像處理與分割，而目前的方法需要大量人工調(diào)整，既煩瑣又主觀，AI方法的引入可以在提高這些過程精度的同時(shí)實(shí)現(xiàn)自動化。

3.1 對靶心圖量化描述 目前MPI預(yù)測CAD的表現(xiàn)不佳，通常需診斷醫(yī)師結(jié)合相關(guān)臨床信息做出判斷，使結(jié)果具有一定主觀性。靶心圖為強(qiáng)度值直接排列在極坐標(biāo)網(wǎng)格中的圖像，與人工神經(jīng)網(wǎng)絡(luò)相比，圖像卷積神經(jīng)網(wǎng)絡(luò)不需要重新采樣即能直接分析靶心圖信息。靶心圖描述又分為直接和間接兩種方法，直接方法使用原始靶心圖進(jìn)行量化和降采樣作為輸入，間接方法通過圖像衍生的定量指標(biāo)進(jìn)行計(jì)算機(jī)輔助診斷。

Spier等[18]使用圖像卷積神經(jīng)網(wǎng)絡(luò)的DL算法實(shí)現(xiàn)不依賴正常數(shù)據(jù)庫即可對從MPI獲得的靶心圖進(jìn)行CAD自動檢測、分類和定位病變節(jié)段，在CAD分類方面，該方法在靜息/負(fù)荷試驗(yàn)與讀片專家的一致性達(dá)89.3%和91.2%。Apostolopoulos等[19]采用DL中的視覺幾何群網(wǎng)絡(luò)算法開展類似的研究，該方法與核醫(yī)學(xué)專家進(jìn)行的半定量靶心圖的準(zhǔn)確度分別為74.53%和75.00%；而未保留學(xué)習(xí)權(quán)重的2種DL方法的準(zhǔn)確度僅為43.05%和54.6%。Papandrianos等[20]在使用視覺幾何群網(wǎng)絡(luò)算法進(jìn)行遷移學(xué)習(xí)的基礎(chǔ)上評估DL參數(shù)對卷積神經(jīng)網(wǎng)絡(luò)性能的影響，在該模型的最佳參數(shù)組合下，2種DL算法的專家一致性均達(dá)到96%；參數(shù)中的卷積層、密集層和像素大小等最佳組合能提高至少7%的分類精度，表明一個(gè)良好的模型需要進(jìn)行大量的參數(shù)驗(yàn)證以實(shí)現(xiàn)最優(yōu)效果。上述研究未考慮年齡、性別和易感因素等臨床數(shù)據(jù)，缺乏常規(guī)正常數(shù)據(jù)庫作為對照、僅由核醫(yī)學(xué)專家標(biāo)注的數(shù)據(jù)對模型進(jìn)行評估、由單一設(shè)備獲取的圖像和數(shù)據(jù)集過小等。在完善上述問題后，一個(gè)完整的系統(tǒng)將有機(jī)會部署到臨床工作中。

3.2 對左心室準(zhǔn)確分割 Wang等[21]使用多分類DL算法進(jìn)行左心室分割，并測量門控MPI成像中的左心室容積及射血分?jǐn)?shù)，該研究采用的分割方法與人工分割結(jié)果的相關(guān)系數(shù)高且左心室容積的平均相對誤差小[0.910±0.061和（1.09±3.66）%]。目前臨床采用的方法易高估小心臟容積和低估大心臟容積，而在Wang等[21]所用方法中，容積誤差和左心室容積大小的線性相關(guān)系數(shù)為0.222（P=0.238），表明該方法不受左心室容積大小影響。Josselyn等[22]采用U型網(wǎng)絡(luò)及視覺幾何群網(wǎng)絡(luò)對18F-PET/CT圖像進(jìn)行左心室分割并識別攝取模式，結(jié)果表明在每種攝取模式下DL算法與專家在左心室分割上具有良好的重疊，在體積測量上具有很好的相關(guān)性（R2=0.35，β=0.71）。Ko等[23]采用DL方法在自動分割心肌的同時(shí)，不需要靶心圖即可預(yù)測阻塞性CAD，該方法基于患者水平和基于血管水平分析，預(yù)測阻塞性CAD的AUC均顯著高于采用總灌注缺損的方法（患者水平：0.844比0.759，P＜0.01；血管水平：0.803比0.722，P＜0.01）。手動進(jìn)行左心室分割是一項(xiàng)冗長、復(fù)雜的操作，并且依賴操作者的經(jīng)驗(yàn)，采用DL方法分割的精度與人工相當(dāng)，能夠提高效率及可重復(fù)性。

4 AI 參與診斷報(bào)告

4.1 提高診斷準(zhǔn)確度 左束支傳導(dǎo)阻滯易導(dǎo)致MPI假陽性，從而導(dǎo)致診斷準(zhǔn)確度降低。Abdi等[24]使用轉(zhuǎn)移學(xué)習(xí)的DL方法探索其識別左束支傳導(dǎo)阻滯假性缺損的能力，DL方法在2次驗(yàn)證中的準(zhǔn)確度均達(dá)到類似核醫(yī)學(xué)專家水平。單純負(fù)荷實(shí)驗(yàn)具有降低輻射劑量、縮短掃描時(shí)間及減少花費(fèi)等優(yōu)點(diǎn)，但醫(yī)師的準(zhǔn)確診斷受到多方面影響，因此提高負(fù)荷實(shí)驗(yàn)MPI診斷準(zhǔn)確度極為重要。Liu等[25]采用DL自動診斷接受僅負(fù)荷實(shí)驗(yàn)和負(fù)荷/靜息實(shí)驗(yàn)的37 243例患者的SPECT MPI中的心肌灌注異常，結(jié)果表明該DL算法優(yōu)于傳統(tǒng)定量法，并且在有利于傳統(tǒng)定量法的同一特異度（77.7%）時(shí)，該算法的敏感度仍高于前者。與傳統(tǒng)定量法相比，DL算法不需要依賴正常數(shù)據(jù)庫即可對MPI進(jìn)行分析診斷。在使用更多附帶患者侵入性冠狀動脈造影結(jié)果的MPI診斷進(jìn)行DL訓(xùn)練后，該方法的診斷準(zhǔn)確度可能進(jìn)一步提高。

4.2 自動識別異常 Kaplan Berkaya等[26]通過對比不同DL算法的分類模型與核醫(yī)學(xué)專家的經(jīng)驗(yàn)分類模型，探索DL輔助分類模型幫助臨床診斷CAD的可行性，結(jié)果顯示，基于視覺幾何群網(wǎng)絡(luò)的DL分類模型與基于經(jīng)驗(yàn)的模型的最大準(zhǔn)確度、敏感度和特異度接近；與其他研究相比，該研究利用經(jīng)過預(yù)訓(xùn)練的DL模型進(jìn)行轉(zhuǎn)移學(xué)習(xí)，結(jié)合帶有深/淺特征的ML分類器，在無大量數(shù)據(jù)集訓(xùn)練的情況下也能達(dá)到與核醫(yī)學(xué)專家相似的診斷性能。Apostolopoulos等[27]使用DL與ML結(jié)合的混合多輸入方法自動識別異常的MPI，在準(zhǔn)確度與特異度方面與核醫(yī)學(xué)專家相似，但敏感度較后者弱。Apostolopoulos等[28]后續(xù)采用結(jié)合了特征融合和注意力機(jī)制的DL網(wǎng)絡(luò)，提高了算法的定位能力和診斷性能，與核醫(yī)學(xué)專家（準(zhǔn)確度為0.784 0）相比具有良好的診斷性能（準(zhǔn)確度為0.788 8）。Miller等[29]對DL方法能否改善醫(yī)師對MPI圖像的解釋進(jìn)行評估，該DL算法的診斷準(zhǔn)確度較不使用DL的醫(yī)師和總灌注缺損方法均有較好的AUC（0.793比0.747比0.718，P＜0.01）。Otaki等[30]嘗試讓DL方法預(yù)測阻塞性CAD更通用、具有可解釋性，結(jié)果表明DL算法無論是在單個(gè)患者水平還是單只血管水平的表現(xiàn)均優(yōu)于總灌注缺損方法和醫(yī)師診斷。Ko等[21]的研究結(jié)果與Otaki等[27]相似，并表明給模型添加定量圖像對預(yù)測準(zhǔn)確度無改善。Teuho等[31]使用卷積神經(jīng)網(wǎng)絡(luò)對15O-H2O PET MPI進(jìn)行缺血/非缺血識別。除敏感度DL較臨床診斷低（65%比75%）外，AUC、準(zhǔn)確度、特異度及精確度均與核醫(yī)學(xué)專家相似。隨著可解釋的DL診斷CAD的準(zhǔn)確度不斷提高，接近甚至超過標(biāo)準(zhǔn)定量分析和臨床視覺分析，其整合到標(biāo)準(zhǔn)的臨床軟件中后將能夠輔助快速、準(zhǔn)確地診斷CAD。

Megna等[32]比較不同的ML方法在PET MPI中評估疑似CAD患者的價(jià)值，該ML方法在訓(xùn)練/測試中敏感度與特異度的AUC非常寬泛（61%～95%），并且在驗(yàn)證階段對疑似CAD患者缺血反應(yīng)的預(yù)測價(jià)值較有限。與此類似，Wang等[33]使用不同指標(biāo)和ML方法評估PET心肌灌注和代謝聯(lián)合成像對疑似CAD的診斷價(jià)值。ML最優(yōu)模型的AUC、準(zhǔn)確度、敏感度和特異度均較半定量模型有優(yōu)勢。此外，由于乳房衰減影響MPI的診斷準(zhǔn)確度[34]，ML也用于比較傳統(tǒng)SPECT與CZT-SPECT識別女性患者低中度CAD的能力[35]，結(jié)果表明對于疑似CAD的女性患者CZT-SPECT的診斷準(zhǔn)確度更高，并能更好地區(qū)分偽影和真實(shí)的灌注缺陷。Cantoni等[36]使用ML比較傳統(tǒng)SPECT與CZT-SPECT對CAD的診斷準(zhǔn)確度，結(jié)果表明CZT-SPECT的臨床一致性與敏感度均高于前者。Miller等[37]研究表明使用ML方法預(yù)測MPI異常灌注較常規(guī)方法更優(yōu)（AUC 0.829，95%CI0.822～0.836），準(zhǔn)確識別高/低?；颊呖梢灾笇?dǎo)醫(yī)師開展不同的臨床決策，如早期血管重建或取消靜息掃描等。然而，掌握核心臟病學(xué)的診斷是一個(gè)學(xué)習(xí)積累的過程，初學(xué)者成長為經(jīng)驗(yàn)豐富的心臟影像診斷專家需要大量時(shí)間與精力。Zhang等[38]使用ML技術(shù)開發(fā)了一種使用不同軸位MPI圖像區(qū)分CAD缺血情況的方法，該方法的診斷準(zhǔn)確度優(yōu)于不同經(jīng)驗(yàn)級別的醫(yī)師（初學(xué)者、無經(jīng)驗(yàn)者及經(jīng)驗(yàn)豐富的專家）。Chiba等[39]探索ML中的人工神經(jīng)網(wǎng)絡(luò)能否幫助初學(xué)者在MPI診斷上取得與專家讀片者類似的結(jié)果。在設(shè)定的簡化5節(jié)段心肌模型下，該ML算法幫助初學(xué)者解釋不明顯灌注組和不明顯缺血組的MPI與專家的結(jié)果類似。

4.3 提供智能報(bào)告 Garcia等[40]采用非參數(shù)方法將17個(gè)心室節(jié)段的灌注、缺血等信息進(jìn)行歸一化評分，通過貝葉斯推理引擎輸入開發(fā)的AI報(bào)告系統(tǒng)，最終自動填充字段生成結(jié)構(gòu)化的報(bào)告。結(jié)果顯示在高特異度水平下，該系統(tǒng)與核醫(yī)學(xué)專家對CAD和心肌缺血的報(bào)告無差異。Zheng等[41]開發(fā)了一種自然語言處理算法提取MPI報(bào)告，結(jié)果顯示該算法識別心肌缺血患者的敏感度、特異度、陽性預(yù)測值及陰性預(yù)測值均較高。傳統(tǒng)的MPI報(bào)告不同機(jī)構(gòu)/醫(yī)師間的解釋不同，基于AI的算法可以高準(zhǔn)確地提取MPI中的信息，并生成一致性較高的可解釋報(bào)告，大幅減輕人工書寫及審核所需要的資源。

5 對患者預(yù)后的自動評估

Arvidsson等[42]使用DL直接從MPI中預(yù)測冠狀動脈造影定量值。與視覺評估相比，卷積神經(jīng)網(wǎng)絡(luò)算法在預(yù)測狹窄程度≥50%時(shí)的準(zhǔn)確度在單支血管和3支血管的平均結(jié)果均無顯著差異，但在單個(gè)患者水平視覺評估的表現(xiàn)更好。該方法有望減少非必要的侵入性冠狀動脈造影手術(shù)。Juarez-Orozco等[43]的研究證明DL能直接定量評估PET MPI靶心圖，從而提高對發(fā)生MACE患者的識別。Singh等[44]使用DL評分模型對患者發(fā)生全因死亡和心肌梗死的準(zhǔn)確度優(yōu)于傳統(tǒng)總灌注缺損評分方法，并且能將MPI圖像與潛在的冠狀動脈解剖結(jié)構(gòu)相關(guān)聯(lián)，更準(zhǔn)確地對MPI圖像做出解釋。以上模型的建立均需要大量多樣數(shù)據(jù)類型，但在臨床實(shí)踐中，可能會存在一些缺失值。因此，Rios等[45]使用ML評估7種不同的缺失值處理方法對預(yù)測特定患者M(jìn)ACE風(fēng)險(xiǎn)的影響，結(jié)果表明缺失值會降低ML對MACE預(yù)測的準(zhǔn)確度，通過刪除有缺失值的變量并重新訓(xùn)練ML模型能改善預(yù)測水平。Hu等[46]開展的一項(xiàng)多中心研究表明ML對MPI后患者早期血管重建的預(yù)測優(yōu)于總灌注缺損方法或核心臟病學(xué)專家。Cantoni等[47]通過ML方法證明傳統(tǒng)SPECT與CZT-SPECT的負(fù)荷MPI預(yù)后價(jià)值相當(dāng)，但CZT-SPECT仍有較高的準(zhǔn)確度和召回率，而且輻射劑量較低、偽影較少、成像時(shí)間較短。Singh等[48]采用DL算法基于PET MPI和靶心圖數(shù)據(jù)預(yù)測全因死亡率，發(fā)現(xiàn)這種方法預(yù)測全因死亡率的AUC優(yōu)于邏輯回歸、心肌血流儲備量和心肌缺血程度等傳統(tǒng)預(yù)測指標(biāo)。Dekker等[49]采用DL對747例行82Rb PET/CT MPI的疑似CAD患者進(jìn)行自動冠狀動脈鈣化評分，并分析與MACE的關(guān)系，結(jié)果顯示無論患者是否存在缺血，冠狀動脈鈣化評分均與可疑CAD患者的MACE相關(guān)，該方法可以可靠地獲取非心電門控的MPI冠狀動脈鈣化評分。Morf等[50]采用基于DL的評分工具能全自動、輕松地提供不同采集方式中的冠狀動脈鈣化評分，但通常低估了非門控采集的鈣化評分。Miller等[51]采用的DL方法可以從用于衰減校正的CT圖像中自動檢測和量化冠狀動脈鈣化，該模型展現(xiàn)出良好的專家一致性（線性加權(quán)κ值為0.80），并且可以在數(shù)秒內(nèi)自動完成量化，而專家量化需要至少2.5 min。該方向的研究均顯示DL算法可以改善疑似CAD患者的心血管風(fēng)險(xiǎn)分層，在風(fēng)險(xiǎn)預(yù)測方面具有極大潛力。

6 總結(jié)與展望

AI技術(shù)的快速發(fā)展使其能應(yīng)用于核心臟病學(xué)的多個(gè)方面，尤其在MPI方面的研究與應(yīng)用較為廣泛，涉及成像到診斷過程的各個(gè)關(guān)鍵環(huán)節(jié)。成像過程中使用AI能夠減少采集時(shí)間，同時(shí)能夠維持或提高圖像質(zhì)量、不依賴CT圖像進(jìn)行衰減校正，在圖像后處理環(huán)節(jié)對靶心圖量化分析和進(jìn)行左心室自動分割，最終提高左心室分割和報(bào)告的自動化診斷及準(zhǔn)確度，還能更準(zhǔn)確地評估CAD及預(yù)測MACE?；贏I的DL和ML可以充分提取整合圖像或臨床特征，對在患者中實(shí)現(xiàn)個(gè)體化應(yīng)用做出較大貢獻(xiàn)。盡管基于這些算法的訓(xùn)練需要強(qiáng)大的硬件和較長的計(jì)算時(shí)間，但最終的模型可以很容易地應(yīng)用于標(biāo)準(zhǔn)的成像工作站，并且在數(shù)秒內(nèi)完成。因此，隨著核心臟病學(xué)的不斷發(fā)展，AI的加入將不斷提高以MPI為代表的核心臟病學(xué)從采集、成像、后處理、診斷和預(yù)后評估各個(gè)環(huán)節(jié)的智能化水平。