門婷婷,龔瑞陽,劉 嬌,凌 浩,宋春莉*

(1.吉林大學白求恩第二臨床醫(yī)學院,吉林 長春130041;2.吉林大學第二醫(yī)院 心血管內科,吉林 長春130041;3.吉林省新型冠脈支架技術科技創(chuàng)新中心,吉林 長春130041)

冠心病的早期快速診斷則有助于對患者進行早期干預治療,避免不良心臟事件發(fā)生。在臨床上許多成像技術在冠心病的診斷中發(fā)揮重要作用,如:冠狀動脈造影(CAG)診斷冠心病狹窄程度、冠脈內超聲顯像(IVUS)顯示血管輪廓以及斑塊塊情況等[1]。然而,這些成像技術的圖像分析通常需要由專業(yè)人士來進行,大多費時、費力,并且可能由于存在個人主觀性導致人為誤差,同時圖像質量的參差不齊也可能導致圖像分析的準確性降低,限制了其更廣泛的臨床應用。

科技的飛速發(fā)展使得人工智能的應用范圍不斷擴大,機器學習是人工智能的一個分支學科,目前已經開發(fā)用于計算機視覺、語音識別、自然語言處理等方面,在醫(yī)學成像方面也已經有了顯著的應用[2]。其中,作為機器學習的一個新領域,來源于人工神經網絡的深度學習在疾病診斷方面產生了重大影響。本文將綜述基于人工智能的成像技術在冠心病診斷領域的現(xiàn)狀,為現(xiàn)有技術的臨床應用以及未來技術的進一步發(fā)展鋪平道路。

1 基于人工智能的冠脈成像技術及應用

本文將從冠狀動脈造影(CAG)、多層螺旋CT冠狀動脈成像(CTA)、冠狀動脈鈣化積分(CACS)、冠脈內超聲顯像(IVUS)、冠脈內光學相干斷層成像(OCT)等方面進行介紹。

1.1 冠狀動脈造影(CAG)

眾所周知,冠狀動脈造影是冠心病診斷的“金標準“。然而由于血管結構復雜、圖像質量等問題,人工判定冠脈狹窄不僅需要豐富的經驗,而且是件耗時且復雜的工作[3]。COMPAS等[4]提出第一種CAG中全自動的狹窄檢測方法,但未量化狹窄程度(敏感性為86%,特異性為97%);而另一種方法則在自動檢測狹窄血管的同時實現(xiàn)了狹窄血管的自動定位與分級,且敏感性較前有所提高(敏感性為93.93%,特異性為91.03%)[3]。然而,以上兩種方法均有著復雜的預處理步驟,這不僅耗時,還可能導致檢測結果錯誤。為避免繁瑣的預處理步驟,部分學者開始提出基于神經網絡的CAG 血管狹窄檢測方法?？紤]到僅通過單幀進行狹窄血管的檢測可能會導致假陽性結果的增多,WU等[5]提出基于卷積神經網絡(CNN)的CAG血管狹窄檢測方法則通過連續(xù)幀的檢測來減少誤報數(shù)量,檢測性能優(yōu)于之前的檢測方法,但并未關注狹窄的性質和程度。而MOON等[6]提出全自動狹窄識別算法則聚焦于關鍵幀,通過弱監(jiān)督深度學習方法實現(xiàn)了狹窄血管的分類以及自動定位,多次交叉驗證證實具有良好性能,但僅適用于右冠狀動脈,未來有望通過遷移學習應用于其他血管造影成像。還有學者嘗試將人工智能應用于CAG視頻,表明人工智能可以通過CAG 視頻判定具有臨床意義的狹窄存在與否,但仍需在大規(guī)模的樣本研究中進行驗證[7]。一項研究證實了深度卷積網絡(DCNN)可用于建立CAG圖像的預測診斷模型,并合成CAG圖像,有望輔助醫(yī)生診斷,增進其對罕見心臟病的了解[8]。

1.2 多層螺旋CT冠狀動脈成像(CTA)

CTA作為一種無創(chuàng)診斷技術,近年來在冠心病患者的診斷和評估受到廣泛應用[9]。一方面CTA主要用于檢測動脈狹窄情況:KANG等[10]首次提出一種基于機器學習的自動檢測狹窄的方法,與專家相比有著高靈敏度和高特異性;HAN等[11]以DSA為參考,證明了基于人工智能的CTA較傳統(tǒng)CTA有更好的檢測性能。以上研究均可以證明,基于人工智能的自動檢測狹窄方法不但可以提高檢測速率,檢測準確性也是值得信賴的。此外,LI等[12]利用深度學習先后進行動脈分割及CAD分類器的建立實現(xiàn)了CAD快速診斷和分類,但仍不能完全代替人工操作。另一方面CTA則用于斑塊表征:ZREIK等[13]第一次基于遞歸神經網絡實現(xiàn)了對斑塊進行自動檢測以及表征,與之前方法不同,該方法僅需輸入CTA圖像中的冠狀動脈中心線,并且可以進行非鈣化斑塊的檢測。RAJENDRA ACHARYA等[14]在未利用深度學習的情況下,實現(xiàn)了斑塊的自動檢測和分類,并且靈敏度(91.83%)達到了較高水平。以上方法均是關注狹窄或斑塊其中一個方面,但是Xin Jin 等人將神經網絡與放射組學相結合,通過模仿臨床工流程同時進行自動斑塊分類和狹窄分級,并且在不同的數(shù)據(jù)集上均表現(xiàn)出高性能,與之前的研究相比有著更高的準確性及靈敏性。

1.3 冠狀動脈鈣化積分(CACS)

研究表明,冠狀動脈鈣評分不但是提供冠狀動脈疾病存在的重要信號,同時也可以預測不良心血管事件的發(fā)生[15]。人工進行鈣評分是個非常復雜的過程,但通過人工智能的輔助則能在很大程度上節(jié)約時間,因此自動化鈣評分一直是研究熱點[16]。通過通常鈣評分是在非增強CT上測定,在深度神經網絡興起之前就有很多基于傳統(tǒng)算法的自動鈣積分檢測系統(tǒng)[17-18]。CARLOS CANO-ESPINOSA等[19]提出一個基于卷積神經網絡的深度學習框架,直接從CT圖像得到Agatston評分,無需預先進行分割,且與參考標準的相關性較強(ρ=0.932;P<0.0001)。WANG等[20]在利用深度學習進行自動鈣積分的同時實現(xiàn)了心臟危險分層,也證明人工評分和基于深度學習的評分在Agatston、質量和體積評分均無顯著性差異。此外,為了避免獲得CACS而進行CT掃描,有學者嘗試利用卷積網絡對CCTA圖像進行CAC自動評分[21],之后一項研究則利用遞歸神經網絡獲得了更高檢測靈敏度[15]。MU等[22]利用深度學習進行自動CAC評分的同時更是實現(xiàn)了風險分類。由于吸煙是肺癌和心血管疾病的共同危險因素,作為吸煙者的肺癌篩查手段的胸部CT也可進行鈣評分,因此通過胸部CT實現(xiàn)冠脈自動化鈣評分,可以減少輻射負擔,并在早期識別具有心血管病高風險的患者[23]。SHADMI等[24]利用全卷積深度神經網絡實現(xiàn)了自動冠狀動脈鈣化分割同時進行Agatston評分,并且與專家手工注釋相比,相關性很強(ρ=0.932)。LESSMANN等[25]應用序貫CNNS同時實現(xiàn)了對CAC、TAC和心臟瓣膜鈣化的自動檢測,之后一項多中心研究對此算法進行驗證,證明其在幾種類型CT及各種人群中均有良好的檢測性能,并且通過訓練進一步提高了算法的性能[26]。

1.4 冠脈內超聲顯像(IVUS)

冠脈內超聲(IVUS)通過超聲探頭對冠脈進行橫斷面成像,可以顯示血管的狹窄程度、輪廓、以及血管內的斑塊情況。由于在IVUS圖像中準確分離冠脈血管及其內部結構對心血管疾病的診斷有著重要作用,因此人工智能在此項成像技術的應用大多聚焦于冠狀動脈的分割[1]。YANG等[27]提出了一種基于全卷積網絡的模型用于冠狀動脈的分割且容易泛化。一個基于大數(shù)據(jù)集的CNN模型分割IVUS上的腔、血管及支架結構,獲得了與專家人工分割一致的效果[28]。有學者提出利用AI對血管成分分類,并在復雜病變IVUS圖像中對狹窄及鈣化有較高的分類準確率[29]。此外,在IVUS圖像上也可以進行斑塊表征,HWANG等[30]提出了一種對斑塊特征分類模型,通過混合集成模型提高準確性,達到了良好的分類結果和精度。JUN等[31]利用多個機器學習分類器對易損斑塊進行分類,證明CNN分類器表現(xiàn)最好。

1.5 冠脈內光學相干斷層成像(OCT)

光學相干層析成像(OCT)是一種新型的冠脈內成像技術,它可以對冠脈結構進行高分辨率成像,近年來逐漸應用于冠心病診斷領域[32]。研究表明,OCT對易損斑塊和鈣化斑塊檢測性能良好[32-33]。ATHANASIOU等[34]提出自動檢測斑塊的方法,靈敏度為83%,但只表征了鈣化斑塊;XU等[35]提出基于OCT圖像進行冠心病的自動檢測系統(tǒng),實現(xiàn)對健康對象和不健康對象的分類,但以上兩種方法均基于傳統(tǒng)算法。 LIU等[33]提出基于深度卷積神經網絡易損斑塊自動檢測系統(tǒng),檢測質量得分為88.46%。SHI等[36]并未選擇識別原始圖像而是通過提取感興趣區(qū)域,利用視覺注意模型和多任務神經網絡實現(xiàn)對易損斑塊的識別,同時證明醫(yī)生的經驗知識可以在數(shù)據(jù)缺乏的情況下提高模型的識別性能。

1.6 其他成像技術

除以上提到的成像技術,人工智能其他成像技術領域也有應用,如:ZHANG等[37]利用深度學習實現(xiàn)了基于CMR圖像的慢性心梗的自動診斷,同時可以識別心肌梗死的位置、跨室壁性和大小,對患者的下一步治療計劃有著指導意義;并且這項技術基于非增強圖像,可以免除造影劑對人體的影響。KHOZEIMEH等[38]將CNNS和隨機森林結合第一次提出了基于CMR圖像的CAD檢測方法,并且具有的很高準確率(99.18%)。作為一種無創(chuàng)的檢查手段,CMR通過與人工智能的融合,未來的應用范圍也會越來越廣。HAGIO等[39]利用深度學習通過MPI極圖自動預測阻塞性冠狀動脈疾病,并且性能優(yōu)于標準的總灌注缺損(TPD),之后的研究可以檢測其推廣性,這也為冠心病的診斷提供了一種新途徑。

2 總結與展望

目前基于人工智能的多種成像技術都對冠心病診斷進行了探索,但目前的研究大多都是回顧性研究且研究對象的規(guī)模不夠大,之后需要更大規(guī)模的研究以及前瞻性研究對其進行驗證。未來關于這方面的研究也應該更重視臨床實踐,構建包含人工智能在內的對醫(yī)生、患者均有利的最佳診斷流程[40]。

基于人工智能的成像技術要真正應用冠心病診斷的臨床實踐,需要關注幾個問題:首先要解決的問題就是大規(guī)模數(shù)據(jù)的收集,很多自動檢測模型在正式投入使用之前需要大規(guī)模的數(shù)據(jù)進行訓練,數(shù)據(jù)來源有待解決。其次就是信息安全問題,保證患者隱私不被泄露是非常必要的[40]。除此之外,還應通過大數(shù)據(jù)建立復雜的非線性關系,實現(xiàn)針對不同個體的精確診斷[41]。最后,由于算法本身具有的“黑匣子”特性,發(fā)生錯誤可能無法進行溯源,這將不利于其在臨床實踐中的應用[42-43]。

總而言之,基于人工智能的成像技術在冠心病診斷領域還處于初步發(fā)展時期。未來,在人工智能的輔助下,有望大大提高診斷速率,降低人為誤差,并且可能先于醫(yī)師發(fā)現(xiàn)微小病變,實現(xiàn)快速、精確、早期診斷。