王鵬飛，任天陽(yáng)，張晨陽(yáng)，賀俊紅，任金武（通信作者）

（1 承德醫(yī)學(xué)院研究生學(xué)院 河北 承德 067000）

（2 保定市第一中心醫(yī)院影像科 河北 保定 071000）

（3 外交學(xué)院英語(yǔ)系 北京 102299）

心血管疾病是全人類(lèi)最常見(jiàn)的死因，死于心血管疾病的人數(shù)約占全球死亡人數(shù)的三分之一[1]。心血管磁共振（cardiovascular magnetic resonance，CMR）作為心臟檢查的主要手段之一，利用心臟內(nèi)組織及結(jié)構(gòu)的差異性，從而呈現(xiàn)出心臟解剖及功能圖像。因此，CMR 可用于評(píng)估心室功能、心肌灌注以及不同時(shí)相的心肌狀態(tài)，為臨床醫(yī)生決策提供有效信息[2]。影像組學(xué)是指從醫(yī)學(xué)圖像中獲取特征數(shù)據(jù)，依靠相關(guān)算法進(jìn)行綜合分析，可輔助醫(yī)生進(jìn)行診斷、預(yù)測(cè)疾病的預(yù)后等。隨著人工智能的興起，這一領(lǐng)域已成為當(dāng)前國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。

1 影像組學(xué)介紹

“組學(xué)”兩字代表從研究對(duì)象中提取復(fù)雜的高維數(shù)據(jù)，從而達(dá)到系統(tǒng)性分析的目的，工作流程依次包括以下幾步：（1）圖像采集；（2）圖像分割；（3）特征提??；（4）特征篩選；（5）建立模型；（6）驗(yàn)證模型的效能[3]。

影像數(shù)據(jù)的預(yù)處理對(duì)于保證提取特征的準(zhǔn)確性至關(guān)重要，盡管圖像生物標(biāo)志物標(biāo)準(zhǔn)化倡議（IBSI）為影像組學(xué)圖像預(yù)處理設(shè)置了一定的標(biāo)準(zhǔn)，但針對(duì)各個(gè)部位、器官詳盡的標(biāo)準(zhǔn)仍需進(jìn)一步修訂[4]。

圖像分割是指從影像數(shù)據(jù)中勾畫(huà)出需要研究的一個(gè)或多個(gè)圖像，分割出的圖像被稱為感興趣區(qū)（region of interest，ROI）。圖像的勾畫(huà)方式依據(jù)是否依靠人工智能以及人工智能參與的程度分為手動(dòng)勾畫(huà)、半自動(dòng)勾畫(huà)和自動(dòng)勾畫(huà)。手動(dòng)勾畫(huà)由一個(gè)或多個(gè)有經(jīng)驗(yàn)的醫(yī)師肉眼觀察進(jìn)行圖像分割；自動(dòng)勾畫(huà)和半自動(dòng)勾畫(huà)完全或部分由人工智能完成，其具有可重復(fù)且快速的特點(diǎn)，是人工智能領(lǐng)域的熱門(mén)研究方向[4]。

勾畫(huà)的感興趣區(qū)域用于提取影像組學(xué)特征，具體包括：形狀特征、一階特征、二階特征和高階特征。形狀特征指感興趣區(qū)域的形狀和幾何特征。一階特征主要描述圖像中每個(gè)體素?cái)?shù)值的大小，不涉及體素之間的關(guān)系；二階特征通過(guò)分析每一個(gè)像素與它們各自相鄰矩陣的關(guān)系而來(lái)；高階特征是使用特定濾波器的數(shù)學(xué)算法產(chǎn)生的影像組學(xué)特征，其可以反映多個(gè)像素的關(guān)系和差異[5]。

特征篩選是指在提取的大量影像組學(xué)特征中選擇重要性高的特征。由于提取的特征數(shù)量眾多，許多特征相互之間關(guān)系密切，無(wú)法突顯出最重要的特征，這種現(xiàn)象被稱為過(guò)擬合（overfitting）。在這種情況下，對(duì)所獲得的特征進(jìn)行特定和精確的選擇變得十分必要[6]。

建立模型具體是指將篩選出來(lái)的特征及臨床數(shù)據(jù)等作為模型訓(xùn)練的條件和素材，以收集病例的結(jié)果（例如生存率、有無(wú)疾病進(jìn)展或治療效果的評(píng)估）作為標(biāo)準(zhǔn)，對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。

最后，構(gòu)建的模型必須在訓(xùn)練集和測(cè)試集上進(jìn)行訓(xùn)練和優(yōu)化，最后在外部數(shù)據(jù)集上進(jìn)行驗(yàn)證。部分研究沒(méi)有進(jìn)行外部數(shù)據(jù)集的驗(yàn)證，而是通過(guò)內(nèi)部驗(yàn)證來(lái)進(jìn)行模型效能的評(píng)估，這可能使評(píng)估的結(jié)果過(guò)于樂(lè)觀。因此，目前使用外部數(shù)據(jù)集進(jìn)行驗(yàn)證仍然是更具有說(shuō)服力的方法[7]。

2 影像組學(xué)在結(jié)構(gòu)性心臟病CMR評(píng)估中的應(yīng)用

常見(jiàn)的結(jié)構(gòu)性心臟病包括肥厚型心肌病（hypertrophic cardiomyopathy，HCM）、限制型心肌病、擴(kuò)張型心肌病和致心律失常性右室心肌病[8]。肥厚型心肌病是最常見(jiàn)的結(jié)構(gòu)性心臟病，主要的組織病理學(xué)表現(xiàn)為心肌纖維化、心肌細(xì)胞肥大、排列紊亂[9]。肥厚型心肌病典型CMR 表現(xiàn)為室間隔心肌壁不均勻肥厚、釓增強(qiáng)延遲期（late gadolinium enhancement，LGE）心肌內(nèi)見(jiàn)斑片狀強(qiáng)化影，這可以與高血壓心臟病鑒別。但當(dāng)心肌表現(xiàn)為左心室壁心肌彌漫性肥厚或彌漫性纖維化時(shí)，兩者鑒別十分困難[10]。

2.1 影像組學(xué)在肥厚型心肌病CMR 評(píng)估中的應(yīng)用

肥厚型心肌病患者的肌原纖維結(jié)構(gòu)紊亂、心肌纖維化，肉眼觀察平掃T1或T2加權(quán)圖像時(shí)難以尋找，但在LGE 表現(xiàn)為不均勻高信號(hào)[11]。Bae?ler 等[12]研究指出，基于T1加權(quán)MR 圖像紋理分析可以對(duì)正常人和肥厚型心肌病患者進(jìn)行有效鑒別，其靈敏度為100%，特異度為90%。劉啟明等[13]研究基于CMR 影像組學(xué)鑒別肥厚型心肌病與健康人，該研究收集100 例肥厚型心肌病患者及50 例正常人左心室形態(tài)及功能（包括左室射血分?jǐn)?shù)、舒張末期左心室容積、舒張末期左心室心肌質(zhì)量）數(shù)據(jù)及從CMR 短軸電影序列中心肌區(qū)域3D 影像組學(xué)特征，結(jié)果表明，聯(lián)合模型效果最好（AUC=0.882）。以上表明應(yīng)用影像組學(xué)不僅可以比傳統(tǒng)的視覺(jué)觀察挖掘出更多的有效信息，而且體現(xiàn)出對(duì)鑒別高血壓性心肌病及肥厚型心肌病的良好潛能。

3 影像組學(xué)在缺血性心臟病CMR評(píng)估中的應(yīng)用

急性心肌梗死在慢性期時(shí)，缺血的心肌組織被非收縮性纖維組織替代，雖然這一過(guò)程起到了修復(fù)的作用，但也使心室功能發(fā)生改變[14]。壞死范圍的大小決定了心臟一系列的病理生理情況，包括血流動(dòng)力學(xué)改變，心室舒張功能等[15]。這體現(xiàn)了評(píng)估心肌瘢痕對(duì)于指導(dǎo)臨床的重要意義。

CMR 評(píng)估心梗后心肌結(jié)構(gòu)和功能兩種最常見(jiàn)的序列是電影序列和LGE 序列，前者對(duì)于評(píng)估收縮功能、心室容積和射血分?jǐn)?shù)至關(guān)重要，后者可量化評(píng)估瘢痕區(qū)域[16]。但部分患者難以耐受造影劑以及較長(zhǎng)的檢查時(shí)間，因此，應(yīng)用非增強(qiáng)序列影像組學(xué)評(píng)估心肌瘢痕成為近年來(lái)國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。

Baessler 等[17]研究了基于心臟磁共振電影序列紋理分析診斷亞急性和慢性缺血性心肌病，依據(jù)LGE 的觀察結(jié)果將具有亞急性或慢性缺血性心肌瘢痕的患者納入實(shí)驗(yàn)組，并根據(jù)之前的顯示的瘢痕大小將病人分為兩個(gè)亞組，小瘢痕組有48 例患者，大瘢痕組有72 例患者，同時(shí)收集60 名正常人的影像資料作為對(duì)照組。之后對(duì)電影序列中某一層圖像進(jìn)行ROI 的勾畫(huà)，提取特征并篩選后得到五個(gè)特征，包括1 個(gè)一階特征，1 個(gè)二階特征以及2 個(gè)高階特征。結(jié)果表明，在大疤痕和小疤痕亞組中，模型對(duì)于區(qū)分缺血性瘢痕和正常心肌的能力最佳，準(zhǔn)確度最高特征的曲線下面積為0.93[17]。

Larroza 等[18]研究了基于CMR 電影序列紋理分析區(qū)分慢性心肌梗死患者的存活節(jié)段、非存活節(jié)段及遠(yuǎn)程片段，在提取的所有特征中，2D+t LBP 得到了最佳的結(jié)果，曲線下面積為0.849。Zhang 等[19]研究基于非增強(qiáng)MR 序列深度學(xué)習(xí)診斷慢性心肌梗死，結(jié)果顯示AUC 為0.94。

Larroza 等[20]還提出了一種基于CMR 影像組學(xué)用來(lái)區(qū)分急、慢性心肌梗死方法。該研究背后的病理依據(jù)是急、慢性心肌梗死病理成分的不同，急性心肌梗死主要表現(xiàn)為水腫，而慢性心肌梗死主要表現(xiàn)為纖維化，水腫和纖維化可能影響心肌在CMR 的灰度級(jí)，但僅依靠肉眼觀察難以評(píng)估。這項(xiàng)回顧性研究收集了44 例患者的影像資料，結(jié)果表明應(yīng)用支持向量機(jī)的影像組學(xué)模型可以區(qū)分急、慢性心肌梗死。盡管以上研究并非大樣本，但其結(jié)論均展示出影像組學(xué)對(duì)缺血性心臟病精準(zhǔn)診斷的巨大前景。

4 影像組學(xué)在心律失常風(fēng)險(xiǎn)評(píng)估中的應(yīng)用

心律失常指心臟搏動(dòng)的頻率、節(jié)律、起源部位、傳導(dǎo)速度異常的一組疾病，包括生理性和病理性心律失常。心律失常發(fā)作時(shí)可以表現(xiàn)為無(wú)癥狀、心悸、呼吸短促甚至?xí)炟蔥21]。

4.1 影像組學(xué)在肥厚型心肌病繼發(fā)心律失常風(fēng)險(xiǎn)評(píng)估中的應(yīng)用

當(dāng)結(jié)構(gòu)性心臟病改變了心臟的傳導(dǎo)結(jié)構(gòu)時(shí)，會(huì)導(dǎo)致心律失常發(fā)作，這在肥厚型心肌病患者中十分常見(jiàn)。Amano 等[22]應(yīng)用LGE 序列紋理特征對(duì)肥厚型心肌病患者與室性快速心律失常病史之間的關(guān)系進(jìn)行了研究。在提取的100 多個(gè)特征中，僅有1 個(gè)紋理特征（entropy LL）在區(qū)分有無(wú)室性快速心律失常病史的患者方面取得了有希望的結(jié)果（AUC=0.72），但診斷效能仍然低于視覺(jué)評(píng)估的LGE（AUC=0.96）[22]。費(fèi)京樂(lè)[23]應(yīng)用基于LGE 影像組學(xué)鑒別肥厚型心肌病患者有無(wú)室性心律失常，結(jié)果顯示準(zhǔn)確度最高的算法模型為XGBoost，AUC 值為0.94。

4.2 影像組學(xué)在急性心肌梗死繼發(fā)心律失常風(fēng)險(xiǎn)評(píng)估中的應(yīng)用

心律失常是急性冠脈綜合征常見(jiàn)的并發(fā)癥，大約有70%～90%患有急性心肌梗死的病人發(fā)生心律失常，常表現(xiàn)為室顫或多形性室速[24]。急性心肌梗死發(fā)作后，可使心肌細(xì)胞不應(yīng)期延長(zhǎng)，電傳導(dǎo)減慢，導(dǎo)致心律失常的發(fā)作[25]。

左心室射血分?jǐn)?shù)和心肌瘢痕等標(biāo)志物可用于評(píng)估心律失常的風(fēng)險(xiǎn)。就心肌瘢痕而言，影響心?；颊咝穆墒СｏL(fēng)險(xiǎn)的兩個(gè)主要特征是瘢痕大小以及瘢痕不均勻性[26]。Kotu 等[27]收集了20 名高風(fēng)險(xiǎn)患者和34 名低風(fēng)險(xiǎn)患者，應(yīng)用并比較了兩種方法評(píng)估心肌梗死后心律失常的風(fēng)險(xiǎn)，一種是基于LGE 的影像組學(xué)模型，應(yīng)用了多種機(jī)器學(xué)習(xí)算法；另一種是基于左心室射血分?jǐn)?shù)和心肌瘢痕大小的傳統(tǒng)分類(lèi)方法，之后對(duì)兩種方法的診斷效能進(jìn)行比較。結(jié)果顯示，基于放射組學(xué)的模型與傳統(tǒng)模型診斷效果相近，這表明影像組學(xué)模型可應(yīng)用于心律失常風(fēng)險(xiǎn)管理中。

5 不足與展望

目前，在常規(guī)臨床工作中，CMR 診斷決策主要根據(jù)獨(dú)立參數(shù)（左心室射血分?jǐn)?shù)等）得出，但此類(lèi)獨(dú)立功能參數(shù)的診斷和預(yù)后價(jià)值較低。同時(shí)，診斷依靠肉眼觀察，這使得臨床工作嚴(yán)重依賴醫(yī)生水平，并且缺乏統(tǒng)一的標(biāo)準(zhǔn)。

人工智能則對(duì)CMR 診斷顯現(xiàn)出巨大潛力，與以往傳統(tǒng)的統(tǒng)計(jì)學(xué)方法相比，人工智能能夠處理大量影像學(xué)數(shù)據(jù)并將臨床信息整合在一起。隨著人工智能算法的迭代更新，影像數(shù)據(jù)逐年積累以及全球醫(yī)療系統(tǒng)的數(shù)字化轉(zhuǎn)型浪潮的到來(lái)，人工智能在醫(yī)學(xué)領(lǐng)域必將對(duì)傳統(tǒng)的醫(yī)學(xué)工作帶來(lái)巨大變革。因此，繼續(xù)將影像組學(xué)技術(shù)落地于各類(lèi)醫(yī)療場(chǎng)景，完成臨床實(shí)踐是研究人員重要的工作內(nèi)容，從而為各類(lèi)心臟疾病患者制定診療決策鋪平道路。

人工智能目前在CMR 中的應(yīng)用處于起步階段，仍有許多亟待解決的問(wèn)題。IBSI 為影像組學(xué)制訂了一定的標(biāo)準(zhǔn)，但針對(duì)CMR 的標(biāo)準(zhǔn)并未建立。

綜上所述，深度學(xué)習(xí)模型的可解釋性以及影像組學(xué)的標(biāo)準(zhǔn)化和規(guī)范化，是未來(lái)研究的重要課題。人工智能在CMR 中的應(yīng)用有望徹底改變患者疾病監(jiān)測(cè)和治療模式，是實(shí)現(xiàn)精準(zhǔn)醫(yī)療重要的一環(huán)。