張湘敏 呂梁 劉興利 宋巍 楊凈松 杜自宏 龍芳敏

心臟影像診斷是評(píng)估心臟疾病的主要方法之一。 目前，MRI、CT、超聲、核醫(yī)學(xué)等心臟成像技術(shù)已普遍應(yīng)用于臨床， 其臨床價(jià)值亦得到廣泛認(rèn)可。 但圖像后處理較為耗時(shí)并且易受影像醫(yī)師個(gè)人主觀因素的影響， 導(dǎo)致對(duì)疾病檢出或病情程度判斷的結(jié)果不一致，故而有其局限性。 人工智能（artificial intelligence,AI）是以計(jì)算機(jī)科學(xué)為基礎(chǔ)進(jìn)行的多領(lǐng)域多學(xué)科交叉研究， 將模擬及擴(kuò)展人的智能的理論和方式應(yīng)用于生活的各個(gè)領(lǐng)域[1]。 AI 在醫(yī)學(xué)成像領(lǐng)域的應(yīng)用可以縮短圖像后處理時(shí)間， 基于大數(shù)據(jù)的客觀分析使診斷結(jié)果更為可靠[2-3]。 基于AI 技術(shù)的心臟影像診斷不僅使影像檢查更為快速、安全，還能為病人提供經(jīng)濟(jì)、精準(zhǔn)的醫(yī)療方案。

1 AI 自動(dòng)化處理的基本原理

AI 分為傳統(tǒng)的機(jī)器學(xué)習(xí)（machine learning,ML）和深度學(xué)習(xí)（deep learning,DL）。 ML 是通過將以往的經(jīng)驗(yàn)性數(shù)據(jù)輸入計(jì)算機(jī)中， 基于大數(shù)據(jù)逐步學(xué)習(xí)規(guī)則和識(shí)別模式， 通過分析人工設(shè)置的特征性指標(biāo)得出結(jié)果。DL 是在ML 基礎(chǔ)上引入多層感知機(jī)即人工神經(jīng)網(wǎng)絡(luò)，它是一種高度依賴大數(shù)據(jù)的算法，依靠建立的深度神經(jīng)網(wǎng)絡(luò)模擬人腦學(xué)習(xí)、分析病灶特征，其性能隨著導(dǎo)入數(shù)據(jù)量和訓(xùn)練強(qiáng)度的增加而增強(qiáng)。兩者主要學(xué)習(xí)模式均為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。 監(jiān)督學(xué)習(xí)是通過訓(xùn)練智能系統(tǒng)識(shí)別目標(biāo)病灶特征與其定義標(biāo)簽的聯(lián)系， 按照標(biāo)簽結(jié)果自動(dòng)對(duì)病灶進(jìn)行精確的定義， 可對(duì)通過影像掃描采集的離散型數(shù)據(jù)進(jìn)行分類， 對(duì)連續(xù)型數(shù)據(jù)進(jìn)行回歸分析。 而非監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)并未錄入標(biāo)簽， 通過相似性確定分類的學(xué)習(xí)方法，由系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行聚類分析，自動(dòng)從數(shù)據(jù)中提取一個(gè)特殊的結(jié)構(gòu)。 醫(yī)學(xué)領(lǐng)域應(yīng)用較多的為卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN），可降低運(yùn)算的復(fù)雜程度， 減少訓(xùn)練參數(shù)的數(shù)目[4]。CNN 由輸入層、輸出層及中間隱藏層組成。 每一層以端到端的方式連接， 并且使用反向傳播來優(yōu)化權(quán)重。 目前，CNN 已成為提取心血管成像集中特征的“首選”方法[5]。 DL 與傳統(tǒng)的ML 在醫(yī)學(xué)成像中的應(yīng)用各有優(yōu)勢。傳統(tǒng)的ML 適用于小數(shù)據(jù)的影像分析，且算法的執(zhí)行時(shí)間較少， 嚴(yán)格按照設(shè)置的標(biāo)準(zhǔn)將病灶拆分，再通過逐個(gè)分析得出結(jié)果、整合定義，但需要人工標(biāo)記病灶特征，成本較高。 而DL 適用于大數(shù)據(jù)的處理，計(jì)算量龐大，但需大量耗時(shí)訓(xùn)練，對(duì)系統(tǒng)配置要求較高。此外，傳統(tǒng)的ML 按照人工標(biāo)準(zhǔn)定義病灶，而DL 采取深度神經(jīng)網(wǎng)絡(luò)“端到端”的處理模式，即所謂“黑箱”模式，其結(jié)果有時(shí)使人費(fèi)解，但這超越人類思維的處理模式同時(shí)也證明了DL 在未來醫(yī)學(xué)成像發(fā)展中的潛力。

2 基于AI 的不同影像檢查方法在心臟成像中的應(yīng)用

2.1 心臟超聲成像 AI 在心臟超聲中可對(duì)心臟進(jìn)行檢測、分類、分割和生成報(bào)告，而研究主要集中在分類和分割。Madani 等[6]研究表明AI 在視圖分類方面的性能與人工分類的超聲心動(dòng)圖相似；Khamis等[7]報(bào)道，AI 利用一種新型的時(shí)間-空間特征訓(xùn)練和監(jiān)督學(xué)習(xí)，可以正確地分類頂端雙腔、頂端四腔和頂端長軸影像，準(zhǔn)確度分別為97%、91%和97%。 而心室的分割可為自動(dòng)化測定射血分?jǐn)?shù)提供基礎(chǔ)， 隨著訓(xùn)練影像數(shù)量的增加，AI 對(duì)心室分割的精準(zhǔn)度更高。AI 可以在三維超聲心動(dòng)圖數(shù)據(jù)采集中自動(dòng)分割整個(gè)心動(dòng)周期的左心室和左心房心內(nèi)膜邊界， 從而可以精確測量左心室、左心房的容積和射血分?jǐn)?shù)[8]。Knackstedt 等[9]研究表明AI 自動(dòng)化測量超聲心動(dòng)圖數(shù)據(jù)可靠， 能可重復(fù)地計(jì)算射血分?jǐn)?shù)和縱向應(yīng)變。將自動(dòng)生成的數(shù)值與通過視覺估計(jì)和手動(dòng)追蹤獲得的數(shù)值進(jìn)行比較， 前者僅需約8 s 即可獲得優(yōu)于人工采集的圖像和精準(zhǔn)的數(shù)據(jù)，耗時(shí)大大減少。 AI 對(duì)心室輪廓的自動(dòng)分割和功能參數(shù)的自動(dòng)計(jì)算不僅可以較好地診斷心臟疾病，還能客觀地判斷預(yù)后。Shah等[10]利用心臟超聲影像數(shù)據(jù)和臨床變量組合訓(xùn)練AI對(duì)射血分?jǐn)?shù)保留性心力衰竭病人分類并預(yù)測其預(yù)后，結(jié)果顯示受試者操作特征曲線下面積（AUC）為0.70~0.76。 但Tamborini 等[11]研究發(fā)現(xiàn)，對(duì)于少數(shù)病例（如先天性小心腔室疾?。?，AI 不能很好地識(shí)別這類病人的左心室心肌。 而Genovese 等[12]對(duì)56 例心臟MR 檢查提示心功能降低的病人采用AI-超聲心動(dòng)圖全自動(dòng)測量右心室大小、 收縮末期及舒張末期體積和射血分?jǐn)?shù)， 結(jié)果顯示通過AI-超聲心動(dòng)圖可對(duì)所有病人的右心室進(jìn)行定量分析，在32%的病人中實(shí)現(xiàn)了完全自動(dòng)數(shù)據(jù)采集處理，另外68%在自動(dòng)處理后還需編輯心內(nèi)膜輪廓來保證數(shù)據(jù)的精確性。因此，在目前的AI 影像研究中，對(duì)于左心室的研究相對(duì)成熟， 而對(duì)右心室影像和罕見病例的自動(dòng)化處理可能還需要進(jìn)一步擴(kuò)充相關(guān)影像數(shù)據(jù)。 盡管AI對(duì)于部分影像資料和罕見疾病數(shù)據(jù)仍無法實(shí)現(xiàn)完全自動(dòng)化處理， 但在對(duì)心臟超聲影像的自動(dòng)分割及房室容積的自動(dòng)化測量、 快速采集圖像和數(shù)據(jù)收集得出射血分?jǐn)?shù)等心功能指標(biāo)， 以及對(duì)病人分類的功能和預(yù)后評(píng)估方面， 其效能均有較大技術(shù)突破。 有研究[13-14]報(bào)道，基于超聲數(shù)據(jù)庫的人工神經(jīng)網(wǎng)絡(luò)可根據(jù)心阻抗圖直接為臨床提供重要的超聲心動(dòng)圖參數(shù)， 也能通過心電圖篩查心臟收縮功能障礙。 基于AI 的心臟超聲影像檢查方法將來可進(jìn)一步簡化，成為一種更經(jīng)濟(jì)、高效的心臟檢查技術(shù)。

2.2 心臟CT 成像 目前心臟CT 成像的研究主要是基于AI 的冠狀動(dòng)脈低劑量CT 成像和針對(duì)血管狹窄段的直徑、面積、長度的分析以及動(dòng)脈硬化軟硬斑塊的檢出與定量評(píng)估。 AI 中基于DL 的圖像重建不同于傳統(tǒng)的迭代重建， 在噪聲數(shù)據(jù)庫中，AI 可以自動(dòng)重組高噪聲圖像像素位點(diǎn)，從而降低圖像噪聲。有研究者[15-16]以低劑量特征訓(xùn)練AI 中的CNN，可將病人的低劑量掃描影像重建為常規(guī)劑量的CT 影像，展示了AI 在改善冠狀動(dòng)脈CT 影像重建中的價(jià)值。 Tatsugami 等[17]以高輻射劑量掃描得到的優(yōu)質(zhì)冠狀動(dòng)脈影像作為訓(xùn)練數(shù)據(jù)， 結(jié)果在低劑量冠狀動(dòng)脈CT 血管成像（coronary computed tomography angiography，CCTA）上得到了低噪聲、高分辨力的影像，并且輸入更復(fù)雜的數(shù)據(jù)訓(xùn)練CNN 時(shí)， 可以增強(qiáng)基于DL 的圖像重建效能。 AI 已廣泛應(yīng)用于冠狀動(dòng)脈鈣化積分和冠狀動(dòng)脈狹窄的定性、 定量診斷。 通過兩階段分類法實(shí)現(xiàn)自動(dòng)化低劑量心電門控CT 冠狀動(dòng)脈鈣化評(píng)分，其評(píng)分結(jié)果與手動(dòng)操作一致性較高[18]。Kang 等[19]應(yīng)用AI 自動(dòng)化分類CCTA 阻塞性和非阻塞性冠狀動(dòng)脈疾病，準(zhǔn)確度高達(dá)94%，AUC 為0.94。AI 自動(dòng)化分析能對(duì)斑塊分類，對(duì)斑塊總體積和冠狀動(dòng)脈狹窄數(shù)據(jù)的測定比單純CCTA 更精確。此外，基于AI 的CCTA 冠狀動(dòng)脈病變特征評(píng)分較傳統(tǒng)的冠狀動(dòng)脈疾病報(bào)告與數(shù)據(jù)系統(tǒng)（coronary artery disease reporting and data system，CAD-RADS） 評(píng)分能更好地區(qū)分是否發(fā)生心血管不良事件的病人[20]。

利用CCTA 數(shù)據(jù)， 通過計(jì)算流體力學(xué)和血管解剖生理模型的結(jié)合可以模擬計(jì)算血流儲(chǔ)備分?jǐn)?shù)（fractional flow reserve，F(xiàn)FR）[21]。 AI 也可以直接通過CCTA 特征計(jì)算基于CTA 的FFR（FFRCT），結(jié)果表明其對(duì)評(píng)估不良心血管事件風(fēng)險(xiǎn)具有實(shí)用價(jià)值[22]。Dey等[23]在一項(xiàng)多中心研究中，利用AI 提取254 例病人的CCTA 影像特征預(yù)測FFR， 發(fā)現(xiàn)基于AI 的FFR對(duì)病變血管特異性缺血的診斷效能高于單獨(dú)的CCTA。 目前一些研究者也開展了基于CT 影像的心臟分割研究。 Commandeur 等[24]通過對(duì)AI 的訓(xùn)練和驗(yàn)證， 結(jié)果顯示全自動(dòng)分割胸腔和心外膜脂肪的結(jié)果與心血管專家手動(dòng)分割具有極好的相關(guān)性（相關(guān)系數(shù)分別為0.945 和0.926），自動(dòng)化分割僅需3 s，而心血管專家手動(dòng)分割則需10~11 min。 Zreik 等[25]也將AI 應(yīng)用于心肌內(nèi)缺血性變化的CCTA 影像的自動(dòng)分析， 可以鑒別心功能受限的冠狀動(dòng)脈狹窄。AI 通過自動(dòng)測量鈣化積分、冠狀動(dòng)脈斑塊體積及冠狀動(dòng)脈管腔狹窄程度，可獲得CCTA 中有關(guān)解剖學(xué)和功能的信息，更好地評(píng)估心血管病變，進(jìn)而精準(zhǔn)判斷病人預(yù)后。 目前在AI 的研究中，傳統(tǒng)ML 主要應(yīng)用在基于CT 影像數(shù)據(jù)分類分析對(duì)心血管疾病進(jìn)行診斷和預(yù)后預(yù)測，而DL 則是采取直接“端到端”模式對(duì)影像直接預(yù)測結(jié)果，適用于大型復(fù)雜數(shù)據(jù)的分析，如基因組學(xué)[26]。 傳統(tǒng)ML 的研究相對(duì)較成熟，基于CT 影像數(shù)據(jù)的ML 方法不僅可以提高診斷疾病的特異性并預(yù)測遠(yuǎn)期疾病進(jìn)展風(fēng)險(xiǎn)，還可以預(yù)測病人的預(yù)后情況。 基于CCTA 數(shù)據(jù)的ML 預(yù)測冠狀動(dòng)脈疾病病人5 年全因死亡率的AUC 為0.79，F(xiàn)ramingham風(fēng)險(xiǎn)評(píng)分為0.61，節(jié)段狹窄評(píng)分0.64，節(jié)段累積積分0.64， 杜克指數(shù)0.62，ML 結(jié)合動(dòng)脈粥樣斑塊表征定量軟件可對(duì)病人進(jìn)行精確的心血管風(fēng)險(xiǎn)分層， 對(duì)病人個(gè)體化精準(zhǔn)治療具有重要的臨床意義[27-29]。 綜上，通過AI 低劑量數(shù)據(jù)特征訓(xùn)練，在不改變影像診斷質(zhì)量的前提下可大幅降低病人在一次掃描時(shí)所接受的輻射劑量。 同時(shí)，AI 對(duì)心臟自動(dòng)分割的耗時(shí)不僅低至3 s，而且對(duì)冠狀動(dòng)脈鈣化斑塊的分類、定性、定量及冠狀動(dòng)脈狹窄程度的判斷一定程度上比人工診斷更精確， 尤其是基于CCTA 數(shù)據(jù)自動(dòng)化計(jì)算的FFRCT對(duì)冠狀動(dòng)脈疾病病人進(jìn)行預(yù)后風(fēng)險(xiǎn)評(píng)估的性能顯著優(yōu)于單獨(dú)的臨床和CCTA 指標(biāo)。

2.3 心臟MRI 在心臟MRI 中， 自動(dòng)分割心臟結(jié)構(gòu)和鑒別心肌梗死組織是AI 的研究熱點(diǎn)。 尤其是分割短軸圖像重建中的心臟結(jié)構(gòu)， 可以量化心臟功能。Karim 等[30]利用AI 對(duì)心臟MRI 增強(qiáng)晚期影像進(jìn)行自動(dòng)分割，表明AI 算法分割比固定模型具有更好的準(zhǔn)確性。 Baessler 等[31]通過利用AI 從MRI 影像中提取心臟紋理特征來區(qū)分心肌梗死組和對(duì)照組，多重邏輯回歸顯示AUC 為0.92， 亦表明AI 可以較好地鑒別心肌正常組織和梗死組織。 Bernard 等[32]已成功地在心臟MRI 中自動(dòng)分割左心室腔、左心室心肌和右心室，并基于圖像數(shù)據(jù)診斷區(qū)分?jǐn)U張型心肌病、肥厚型心肌病、左室射血分?jǐn)?shù)改變的心肌梗死、右心室異常和無心臟疾病的病人，評(píng)價(jià)心功能方面，2D-3D U-Net 集成模型效能最佳，左室射血分?jǐn)?shù)和右室射血分?jǐn)?shù)測量誤差低于5%的病人分別占92%和68%。 AI 還能基于輸入的右心室三維心臟運(yùn)動(dòng)數(shù)據(jù)對(duì)肺動(dòng)脈高壓病人進(jìn)行建模預(yù)測其生存率， 表明了在心臟MRI 中AI 的應(yīng)用對(duì)高風(fēng)險(xiǎn)病人早期干預(yù)可以起到積極作用[33]。 有研究[34]報(bào)道，因臨床檢查需求不同（如心肌、血流），心臟MRI 掃描需多個(gè)序列完成，單個(gè)序列檢查需6～7 min，且后處理耗時(shí)較長，完成需30 min，而AI 自動(dòng)化分析單個(gè)序列，僅需不足1 min， 并且可獲得高質(zhì)量的對(duì)比增強(qiáng)曲線，2 種方法所得影像的診斷效能基本一致（AUC 為0.72 和0.73），但由于MRI 中不同的脈沖序列、掃描參數(shù)和成像協(xié)議使得自動(dòng)化處理變得復(fù)雜，大多數(shù)基于AI的心臟MRI 掃描和后處理仍需要人工輔助完成。加之部分體積效應(yīng)引起的室腔邊界模糊， 左心室乳頭肌、 右心室小梁與周圍心肌組織信號(hào)相似導(dǎo)致自動(dòng)化處理時(shí)不易分割等問題， 致使AI 在心臟MRI 中的應(yīng)用還存在較多困難。 但在2018 年北美放射學(xué)年會(huì)上多位研究者報(bào)道了AI 在心臟MRI 中的技術(shù)突破，在診斷擴(kuò)張型心肌病、測定心肌纖維化、快速采集高質(zhì)量心臟MRI 影像以及評(píng)估左心室容積方面均取得了較好的研究成果[4]。 隨著AI 算法的更新，心臟MRI 在心臟疾病中的應(yīng)用將具有潛在的良好價(jià)值。

2.4 心臟SPECT 和PET 成像 AI 對(duì)單光子發(fā)射體層成像（SPECT）的研究主要集中在評(píng)估心肌灌注。AI 能對(duì)正常和異常的SPECT 心臟圖像進(jìn)行分類，效能與人工視覺分類相似，而且相較于常規(guī)評(píng)分，人工神經(jīng)網(wǎng)絡(luò)對(duì)心肌異常部分檢測時(shí)能夠顯著提高對(duì)心肌負(fù)荷顯像、 靜息顯像和應(yīng)激性心肌缺血的識(shí)別能力，對(duì)于AI 系統(tǒng)的再培訓(xùn)還能進(jìn)一步增強(qiáng)其診斷心肌缺血的能力[35-37]。AI 中LogitBoost 和支持向量機(jī)算法能整合心肌灌注成像的定量灌注、功能和臨床變量數(shù)據(jù)，可顯著改善SPECT 的診斷效能[38-39]。Betancur等[40-41]應(yīng)用AI 處理1 638 例病人心臟SPECT 極坐標(biāo)靶心圖像，發(fā)現(xiàn)AI 可以基于心肌總灌注不足識(shí)別阻塞性冠狀動(dòng)脈疾病， 提高對(duì)CAD 病人和病變血管的診斷準(zhǔn)確率，同時(shí)，結(jié)合病人臨床信息和心肌灌注SPECT 數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)評(píng)估的效能較單一心肌灌注SPECT 數(shù)據(jù)更高，可以提高SPECT 的準(zhǔn)確性。Arsanjani 等[42]研究也表明AI 聯(lián)合SPECT 在預(yù)測心臟早期血運(yùn)重建和心血管不良事件方面具有顯著優(yōu)勢。 AI 也能處理正電子發(fā)射體層成像（PET）結(jié)合CCTA 產(chǎn)生的冠狀動(dòng)脈功能障礙數(shù)據(jù)，對(duì)斑塊狹窄、心肌負(fù)荷、心肌質(zhì)量進(jìn)行定量分析，且整合后進(jìn)行風(fēng)險(xiǎn)評(píng)估，以量化受損心肌血流儲(chǔ)備[43]。但由于PET 心臟成像成本較高，故很少應(yīng)用于臨床。 盡管SPECT和PET 成像時(shí)病人所接受的高輻射劑量仍然是AI用于心臟核成像模式的主要限制[44]，但AI 在SPECT和PET 心肌灌注成像的應(yīng)用價(jià)值已得到證實(shí)。 隨著研究的不斷深入，AI 在心臟SPECT 和PET 成像中的臨床價(jià)值有望得到進(jìn)一步提升。

3 小結(jié)

AI 在心臟成像中的應(yīng)用均以心臟分割和快速成像為核心， 但在不同成像方法中各有優(yōu)勢。 心臟超聲主要通過射血分?jǐn)?shù)評(píng)價(jià)心臟功能， 今后可能圍繞射血分?jǐn)?shù)的自動(dòng)化計(jì)算以及AI-心阻抗圖-超聲心動(dòng)圖參數(shù)快速檢測進(jìn)行研究， 而心臟CT 主要通過鈣化斑塊的自動(dòng)化定性、 定量和FFRCT對(duì)病人進(jìn)行診斷及預(yù)后評(píng)估。 AI-MRI 對(duì)心肌疾病（如心肌纖維化）的診斷優(yōu)于其他成像方法，但由于序列復(fù)雜等多種因素限制， 目前對(duì)圖像的自動(dòng)化處理程度不如CT 和超聲。 SPECT 和PET 在心肌灌注、心臟早期血運(yùn)重建和心血管不良事件預(yù)估方面有一定優(yōu)勢，但需要進(jìn)行更多的實(shí)驗(yàn)進(jìn)一步論證， 且一次掃描中的高成本和高輻射劑量問題尚待解決。

目前基于AI 的心臟成像技術(shù)在各個(gè)方面已取得了突破性進(jìn)展，但需要認(rèn)識(shí)其局限性：①M(fèi)L 依賴人工標(biāo)記病灶特征進(jìn)行學(xué)習(xí)， 但人工成本偏高；而DL 高度依賴大數(shù)據(jù)庫進(jìn)行優(yōu)化，基于數(shù)據(jù)的產(chǎn)權(quán)問題使資料難以收集；②用以訓(xùn)練AI 的數(shù)據(jù)庫并不統(tǒng)一，自動(dòng)化評(píng)估病灶的算法也不盡相同，對(duì)疾病的診斷、預(yù)后評(píng)估等仍存在一定偏差；③AI 應(yīng)用于臨床帶來的一系列如醫(yī)療安全、責(zé)任劃分等倫理性挑戰(zhàn)，目前仍沒有很好的應(yīng)對(duì)策略。 隨著AI 研究進(jìn)步，心臟影像診斷已經(jīng)進(jìn)入了一個(gè)新的時(shí)代，AI 系統(tǒng)研發(fā)以及臨床應(yīng)用的日漸成熟，心臟影像檢查將會(huì)為臨床提供更多的信息，也將進(jìn)一步推進(jìn)精準(zhǔn)醫(yī)療的發(fā)展。