人工智能在心脏影像诊断中的研究进展

心脏影像诊断是评估心脏疾病的主要方法之一。 目前，MRI、CT、超声、核医学等心脏成像技术已普遍应用于临床， 其临床价值亦得到广泛认可。 但图像后处理较为耗时并且易受影像医师个人主观因素的影响， 导致对疾病检出或病情程度判断的结果不一致，故而有其局限性。 人工智能（artificial intelligence,AI）是以计算机科学为基础进行的多领域多学科交叉研究， 将模拟及扩展人的智能的理论和方式应用于生活的各个领域[1]。 AI 在医学成像领域的应用可以缩短图像后处理时间， 基于大数据的客观分析使诊断结果更为可靠[2-3]。 基于AI 技术的心脏影像诊断不仅使影像检查更为快速、安全，还能为病人提供经济、精准的医疗方案。

1 AI 自动化处理的基本原理

AI 分为传统的机器学习（machine learning,ML）和深度学习（deep learning,DL）。 ML 是通过将以往的经验性数据输入计算机中， 基于大数据逐步学习规则和识别模式， 通过分析人工设置的特征性指标得出结果。DL 是在ML 基础上引入多层感知机即人工神经网络，它是一种高度依赖大数据的算法，依靠建立的深度神经网络模拟人脑学习、分析病灶特征，其性能随着导入数据量和训练强度的增加而增强。两者主要学习模式均为监督学习和非监督学习。 监督学习是通过训练智能系统识别目标病灶特征与其定义标签的联系， 按照标签结果自动对病灶进行精确的定义， 可对通过影像扫描采集的离散型数据进行分类， 对连续型数据进行回归分析。 而非监督学习的训练数据并未录入标签， 通过相似性确定分类的学习方法，由系统对数据进行聚类分析，自动从数据中提取一个特殊的结构。 医学领域应用较多的为卷积神经网络（convolutional neural networks,CNN），可降低运算的复杂程度， 减少训练参数的数目[4]。CNN 由输入层、输出层及中间隐藏层组成。 每一层以端到端的方式连接， 并且使用反向传播来优化权重。 目前，CNN 已成为提取心血管成像集中特征的“首选”方法[5]。 DL 与传统的ML 在医学成像中的应用各有优势。传统的ML 适用于小数据的影像分析，且算法的执行时间较少， 严格按照设置的标准将病灶拆分，再通过逐个分析得出结果、整合定义，但需要人工标记病灶特征，成本较高。 而DL 适用于大数据的处理，计算量庞大，但需大量耗时训练，对系统配置要求较高。此外，传统的ML 按照人工标准定义病灶，而DL 采取深度神经网络“端到端”的处理模式，即所谓“黑箱”模式，其结果有时使人费解，但这超越人类思维的处理模式同时也证明了DL 在未来医学成像发展中的潜力。

2 基于AI 的不同影像检查方法在心脏成像中的应用

2.1 心脏超声成像 AI 在心脏超声中可对心脏进行检测、分类、分割和生成报告，而研究主要集中在分类和分割。Madani 等[6]研究表明AI 在视图分类方面的性能与人工分类的超声心动图相似；Khamis等[7]报道，AI 利用一种新型的时间-空间特征训练和监督学习，可以正确地分类顶端双腔、顶端四腔和顶端长轴影像，准确度分别为97%、91%和97%。 而心室的分割可为自动化测定射血分数提供基础， 随着训练影像数量的增加，AI 对心室分割的精准度更高。AI 可以在三维超声心动图数据采集中自动分割整个心动周期的左心室和左心房心内膜边界， 从而可以精确测量左心室、左心房的容积和射血分数[8]。Knackstedt 等[9]研究表明AI 自动化测量超声心动图数据可靠， 能可重复地计算射血分数和纵向应变。将自动生成的数值与通过视觉估计和手动追踪获得的数值进行比较， 前者仅需约8 s 即可获得优于人工采集的图像和精准的数据，耗时大大减少。 AI 对心室轮廓的自动分割和功能参数的自动计算不仅可以较好地诊断心脏疾病，还能客观地判断预后。Shah等[10]利用心脏超声影像数据和临床变量组合训练AI对射血分数保留性心力衰竭病人分类并预测其预后，结果显示受试者操作特征曲线下面积（AUC）为0.70~0.76。 但Tamborini 等[11]研究发现，对于少数病例（如先天性小心腔室疾病），AI 不能很好地识别这类病人的左心室心肌。 而Genovese 等[12]对56 例心脏MR 检查提示心功能降低的病人采用AI-超声心动图全自动测量右心室大小、 收缩末期及舒张末期体积和射血分数， 结果显示通过AI-超声心动图可对所有病人的右心室进行定量分析，在32%的病人中实现了完全自动数据采集处理，另外68%在自动处理后还需编辑心内膜轮廓来保证数据的精确性。因此，在目前的AI 影像研究中，对于左心室的研究相对成熟， 而对右心室影像和罕见病例的自动化处理可能还需要进一步扩充相关影像数据。 尽管AI对于部分影像资料和罕见疾病数据仍无法实现完全自动化处理， 但在对心脏超声影像的自动分割及房室容积的自动化测量、 快速采集图像和数据收集得出射血分数等心功能指标， 以及对病人分类的功能和预后评估方面， 其效能均有较大技术突破。 有研究[13-14]报道，基于超声数据库的人工神经网络可根据心阻抗图直接为临床提供重要的超声心动图参数， 也能通过心电图筛查心脏收缩功能障碍。 基于AI 的心脏超声影像检查方法将来可进一步简化，成为一种更经济、高效的心脏检查技术。

文章来源：《心脏杂志》 网址: http://www.xzzzzzs.cn/qikandaodu/2021/0412/741.html