人工智能(artificial intelligence，AI)描述了一種計算程序，它可以執行具有人類智能特征的任務，在醫學方面的應用主要包括智能診療、影像識別、藥物研發及醫療機器人方面[1]。數據的增多、計算能力的提高促進了人工智能在醫療領域的應用和開發[2]。2020年，人工智能的研究呈爆發性增長，應用于心血管醫學影像的各個領域，包括心臟彩超、心臟計算機斷層成像(computed tomography，CT)，心臟磁共振成像(magnetic resonance imaging，MRI)及心臟核素顯像等[3]。人工智能能夠輔助臨床醫生決策，提升自動化效率，簡化工作流程及提高現有儀器的診斷準確性。筆者就人工智能在心血管影像診斷方面的研究現狀做一綜述。

1 人工智能概述

人工智能的概念誕生于1956年，是計算機科學的一個分支，通俗的說，人工智能是指機器模擬人的意識和思維，它具有通過學習輸入的數據來實現特定的目的和任務的能力。人工智能的核心要素是：數據、算法及計算力。數據是實現人工智能的基礎，機器學習能夠通過對數據的積累做出更加準確的決策，其會采用多樣化的建模方式(算法)去處理不同的數據。人工智能算法基于這種不同的建模方式，又能分為神經網絡算法與傳統機器學習，而傳統機器學習又被細分為強化學習、非監督式學習、半監督式學習、監督式學習。算法是一組機械計算機可以執行的明確指令，算法的有效性決定了人工智能的智能程度。人工智能數據越多、算法越復雜，需要的計算力就越大，所以傳統人工智能受制于計算能力，而芯片是運算能力的核心，運算能力提升依賴于科學技術的發展，同時也是人工智能發展的前提保障。

隨著社會生產力的提高，心血管疾病已成為世界上死亡率最高的疾病，而在中國，心血管疾病患者也越來越多，大量的數據促進了人工智能在心血管疾病診斷中的應用。人工智能可以大大地簡化診療的工作流程，提升醫生診斷的速度、效率和準確性。

[[416036]]

2 人工智能在心血管影像中的應用

2.1 心臟超聲成像

人工智能在超聲心動圖中的應用還處于相對早期的階段，目前應用于超聲圖像采集、識別、心功能的自動量化、疾病的自動評估等。

超聲圖像采集是一項專業性很強的技術，但有研究報道人工智能可以指導心臟超聲波圖像的采集，只要在系統里輸入患者身高、體質量和性別等信息，人工智能就能引導操作者采集最佳圖像，該研究結顯示通過人工智能獲得高質量的超聲圖像的概率在90%以上，也為其他器官的圖像采集提供了新思路[4]。準確的圖像自動識別和分類是診斷的基礎，Khamis等[5]利用多階段分類算法識別心尖兩腔、心尖四腔和心尖長軸圖像，其準確率分別為97%、91%和97%，平均識別率為95%。該算法中的時空特征提取技術可以獲得更高的識別精度，優于傳統的空間處理方法。另有研究表明深度金字塔局部注意神經網絡分割方法性能更好[6]，他提出的金字塔局部注意模塊和標簽一致性學習機制解決了獲取上下文特征難和進行單個像素分類預測時標簽不一致的問題。

Genovese等[7]開發了基于機器學習的全自動三維量化右心室大小和功能的軟件，但研究顯示三分之二患者還需進行心內膜輪廓編輯才能正確診斷，這種方法為快速定量右心室體積提供了一種有前景的解決方案，但心內膜邊界自動識別的問題還有待優化。此外還有算法快速測量左心房和左心室容積，準確分析射血、充盈參數[8]。目前用來評價超聲心動圖圖像質量的人工智能工具軟件提示心內膜邊界輪廓指數影響心尖四腔視圖的分類可信度[9]。2020年人工智能在超聲方面有一重大進展，Ouyang等[10]通過結合神經網絡中時間和空間信息的特定回聲網絡-動態算法來準確分割左心室、估計射血分數和識別心肌病。該算法不再拘泥于靜止圖像的分割而是基于視頻分割，并且診斷準確性高，可重復性好，為未來實現實時心血管疾病精確診斷提供了有效支撐。

醫生非常依賴簡單易行的超聲心動圖來指導患者診療。人工智能引導的超聲心動圖圖像采集技術還需要進一步檢驗，往后隨著這一技術的成熟，人工智能將提高患者護理的效率。人工智能心臟超聲分割、識別技術較為成熟，但在右心室大小和功能量化方面仍存在不足，人工智能在心臟超聲疾病診斷多見于常見病多發病，未來有望應用于更多疾病的診斷。

2.2 心臟MRI

心臟MRI是心血管疾病非侵入性評估的重要工具。人工智能在心臟MRI中的應用包括圖像重建、分割、心血管疾病診斷和預測預后等。

心臟MRI有一個明顯的缺點即掃描時間長。在過去的十年里，并行成像、壓縮感知和實時成像等方法被用來加速獲取核磁共振圖像。在這些研究的基礎上，Qin等[11]在傳統迭代算法的基礎上利用時間序列依賴性的優點，提高了磁共振成像的速度和精度。單個神經網絡的機器學習是圖像分割的常見方法，2018年組織的國際左心房分割挑戰中兩個神經網絡的機器學習方法最優，在自動感興趣區域定位和細化區域分割方面均使用神經網絡，該方法Dice系數為93.2%，好于傳統方法和包含單個神經網絡的機器學習方法的結果[12]。此外，Guo等[13]解決了深度卷積神經網絡進行心臟MRI圖像分割需要大量的訓練數據集的問題。多樣的心血管結構的和心臟缺陷是復雜先天性心臟病患者分割任務中的巨大阻礙，為解決這一問題Du等[14]提出了一種集成多任務的深度學習框架，該方法通過區域分割、本地信息到全局信息聚合實現同時自動分割血池和心肌，其多目標分割任務能力是目前最優的，但在分割小目標方面仍然存在一些不足。

人工智能不僅能夠進行圖像分割還能自動評估心室功能，有研究通過人工智能的方法，對雙心室進行自動定量分析，該研究設計了一個新的深度共生網絡將心室分割和心室功能參數任務統一到一個框架進行。通過對四個開放的CMR數據集進行實驗，驗證了該網絡進行雙心室精確自動定量的可行性和高效性[15]。Ruijsink等[16]研發了一個全自動的心臟磁共振心臟功能分析框架，該框架能夠通過檢測錯誤輸出的算法達到質量控制的效果，實驗結果顯示其檢測錯誤輸出的靈敏度為95%。

進行疾病的診斷是人工智能在心臟MRI中的另一應用。肺動脈高壓病死率高，且發病隱匿，Swift等[17]研發了基于張量的心臟磁共振機器學習方法來自動診斷肺動脈高壓，該方法通過提取疾病特征在10 s內即可做出準確診斷。預測分析在心血管疾病臨床研究中占重要地位，有研究者提出了一種機器學習生存模型來預測肺動脈高壓患者不良事件和生存時間；該研究主要通過識別收縮運動模式來實現生存預測[18]，除此之外，它還能預測患者是否發生心力衰竭。

人工智能在心臟MRI方面的應用除了圖像解讀之外，在成像過程中的很多環節也有應用，例如圖像重建、后處理工作流程等。現在還沒有實驗將人工智能方法與人工心臟磁共振數據評估進行比較，這可能是未來研究的一個方向。此外，人工智能還需要解決核磁共振掃描儀、序列、成像參數不同導致的模型不穩健的問題。

2.3 心臟CT成像

人工智能的應用不僅可以優化圖像質量，Wolterink等[19]提出了卷積神經網絡與對抗型神經網絡聯合訓練的方法來消除低劑量CT圖像帶來的噪聲影響；還可以高效地分割圖像，Baskaran等[20]利用一種端到端、快速、逐像素、深度學習的方法對結構進行注釋，分割速度約為人工分割的271倍。因此人工智能在心臟計算機斷層掃描血管成像(cardiac computed tomography angiography，CCTA)方面具有廣闊的臨床應用前景。AI在心臟CT中的應用包括心血管圖像分割、計算與識別、心血管疾病診斷及預后評估。

冠心病患者的診斷和治療與斑塊形態和狹窄百分比密切相關。Zreik等[21]利用三維卷積神經網絡對冠狀動脈中心線分析，以此來檢測和分類冠狀動脈斑塊和冠脈狹窄程度，該方法診斷精確度較高。其準確區分有無斑塊的能力可以對患者下一步診療方式進行初步分類。之后，Yang等[22]進一步具體研究血管狹窄和斑塊特征與心肌缺血的關系及其對預后的影響。結果顯示最小管腔面積、動脈粥樣硬化體積百分比、纖維脂肪和壞死核心體積、斑塊體積、左前降支冠狀動脈病變近端和重塑指數可預測低血流儲備分數(fractional flow reserve，FFR) (AUC：0.797)。此外準確識別斑塊特征并結合直徑狹窄百分比和FFR可更好地預測發生血管導向復合結局的風險。

冠狀動脈鈣化積分可以用來獨立預測心血管不良事件[23]。Zeleznik等[24]將冠狀動脈鈣作為特征，利用深度卷積神經網絡預測心血管風險，該網絡計算結果不僅與人工檢測結果高度一致，而且還具有高度的重測信度。此外，Al'Aref等[25]開發了一個機器學習模型，綜合臨床因素和冠狀動脈鈣評分，以預測冠狀動脈計算機斷層血管造影上是否存在阻塞性冠狀動脈疾病，結果顯示使用這種方法估計阻塞性冠狀動脈疾病的準確率提高了9%，該方法利于患者管理。

基于CCTA的血流儲備分數(CT-FFR)可以用來評估冠狀動脈病變的血流動力學。Tang等[26]將AI應用于CT-FFR自動化檢測病變特異性缺血，該研究顯示每條血管診斷準確性高達0.91。AI不僅簡化了過程和縮短了計算時間，診斷中間病變的能力還優于冠狀動脈造影。此外，還有研究者將其與其他無創性傳統影像學檢查進行比較。與常規CCTA、SPECT和PET相比，CT-FFR診斷冠脈特異性缺血的準確性更高[27]。在此基礎上，von Knebel Doeberitz等[28]發現聯合CT-FFR和斑塊標記物可進一步提升鑒別病變特異性缺血的性能。另一方面，基于AI的CT-FFR還影響冠脈疾病患者的診療決策及預后評估[29]。Patel等[30]通過觀察臨床疑似冠狀動脈疾病患者一年內發生的臨床事件，發現臨床事件發生率與血流儲備分數呈負相關。在制定患者治療策略時納入血流儲備分數可使大多數血流儲備分數陰性的患者避免侵入性評估。

此外，人工智能最重要的能力是通過整合的信息發現人類不知道的特征。例如人工智能發現血管周圍脂肪衰減指數這一特征與冠狀動脈炎癥關系密切[31]，同時研究了血管周圍脂肪衰減指數對全因和心臟死亡率的預后價值。隨后，Oikonomou等[32]提出了一種新的人工智能使用方法，發現血管周圍脂肪衰減指數變化與冠狀動脈疾病相關的血管周圍結構重構相關，炎癥只是其中一部分原因。

綜上，人工智能通過卷積神經網絡優化圖像質量。人工智能在保證心臟分割準確的基礎上，分割速度明顯加快。此外，人工智能還可以應用于冠狀動脈斑塊檢測和分類，冠脈狹窄判斷、血流儲備分數及判斷預后方面。值得注意的是，人工智能還能發現新的影像生物標志物，即血管周圍脂肪衰減指數，這為未來人工智能在影像醫學發展提供新思路。

2.4 心臟核素顯像

單光子發射計算機斷層成像術(single-photon emission computed tomography，SPECT)心肌灌注顯像在臨床上主要用于冠心病的診斷、風險分層及預后評估，并可評估左心室功能。圖像準確分割是評估左室功能的基礎。Wang等[33]提出了使用端到端的全卷積神經網絡來分割左室心肌和測量其體積，實驗結果顯示，左心室心肌容積誤差為1.09%±3.66%，該技術為未來疾病診斷奠定基礎。人工神經網絡應用于SPECT心肌灌注顯像有助于冠狀動脈疾病的診斷，該網絡與常規的負荷總積分、靜息總積分、差值分的受試者操作特征曲線下面積進行比較，結果顯示人工智能網絡具有良好的診斷能力[34]。機器學習方法也被用于預測SPECT顯像后的早期血管重建，該機器學習方法對每條血管和每例患者的預測準確性優于標準定量方法和專家評估[35]。Betancur等[36]則是將深度學習應用于半直立和仰臥位心肌灌注來預測梗阻性疾病。該深度學習同時分析半直立和仰臥位圖像，增加了每支血管疾病預測的準確度和敏感度。AI有潛力應用于多種圖像的整合分析，未來有可能擴展到俯臥位和仰臥位圖像或衰減校正和非衰減校正圖像的同時分析。Alonso等[37]開發了機器學習模型聯合分析心肌灌注單光子發射計算機斷層掃描和臨床數據來預測患者心臟性死亡的風險，值得注意的是該方法可以讓臨床醫生清楚風險評分背后的基本原理，解決了機器學習的“黑匣子”的問題。

此外為了減少圖像的衰減偽影，Betancur等[38]提出了用深度學習方法將直立和仰臥位高效SPECT心肌灌注成像數據結合起來預測阻塞性冠狀動脈疾病，該方法預測的敏感度較以前的直立-仰臥位聯合量化方法提高了4%左右。Shi等[39]等提出了利用深度學習方法直接從SPECT發射數據中估計衰減圖的方法來提高單光子發射計算機斷層掃描的準確度，該方法消除了患者運動導致SPECT和CT掃描之間的匹配錯誤的偽影。

人工智能應用于心臟核素顯像的方方面面，主要用于評估心肌血流灌注情況、左心室功能及風險分層，例如預測心臟不良事件等。人工智能可以用來減少圖像偽影提高診斷準確度。它在準確診斷疾病和預測不良事件發生率優于當前標準檢查方法和專家診斷。但未來還需解決人工智能預測模型如何更好地推廣到未來的數據以及對特定患者的預測情況進行解釋的問題。

3 人工智能在臨床應用中的挑戰

人工智能在心血管領域研究進展迅速，給醫療實踐帶來革命性的變化，但還有部分問題急需解決。(1)人工智能的決策高效但存在可解釋性不足的問題。目前醫學影像領域已經對人工智能可解釋問題進行了研究。但仍無法確定人工智能可解釋的方法是可信的。人類各種主觀因素、模型的復雜性等因素影響AI可解釋方法的設計和評估，今后對人工智能技術分析可解釋性進行比較與評估，就必須找到一種具有可復制性和標準度的研究方法[40]。(2)近來人工智能的迅速發展離不開大的訓練數據集，通過大數據人工智能可以很好地推廣到看不見的情況。但罕見病的數據是很難獲得的，因此通過小樣本摸索學習改良算法是非常必要的[41]。此外，獲得準確、真實、合適的臨床數據集也是一個基本的挑戰。

人工智能越來越多地用于心臟影像學，從工作流程的改進到自動圖像分割、心血管疾病診斷，再到準確的心血管風險預測，未來人工智能將結合大量臨床和心臟病學成像數據實現精準醫療。

全體作者均聲明無利益沖突。

該研究受到山西省衛生健康委科研課題 （2019149）的資助。

參考文獻（略）

【劉亞男,趙瑞峰.人工智能在心血管影像中的應用進展[J].磁共振成像, 2021,12(7):114-116,124. DOI:10.12015/issn.1674-8034.2021.07.027.】