人工智能在心脏影像诊断中的研究进展(3) - 心脏杂志杂志社投稿_期刊论文发表|版面费|电话|编辑部- 心脏杂志

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

人工智能在心脏影像诊断中的研究进展(3)

作者:

关键词:

摘要：

2.4 心脏SPECT 和PET 成像 AI 对单光子发射体层成像（SPECT）的研究主要集中在评估心肌灌注。AI 能对正常和异常的SPECT 心脏图像进行分类，效能与人工视觉分类相似，而且相较于常规评分，人工神经网络对心肌异常部分检测时能够显著提高对心肌负荷显像、静息显像和应激性心肌缺血的识别能力，对于AI 系统的再培训还能进一步增强其诊断心肌缺血的能力[35-37]。AI 中LogitBoost 和支持向量机算法能整合心肌灌注成像的定量灌注、功能和临床变量数据，可显著改善SPECT 的诊断效能[38-39]。Betancur等[40-41]应用AI 处理1 638 例病人心脏SPECT 极坐标靶心图像，发现AI 可以基于心肌总灌注不足识别阻塞性冠状动脉疾病，提高对CAD 病人和病变血管的诊断准确率，同时，结合病人临床信息和心肌灌注SPECT 数据进行风险评估的效能较单一心肌灌注SPECT 数据更高，可以提高SPECT 的准确性。Arsanjani 等[42]研究也表明AI 联合SPECT 在预测心脏早期血运重建和心血管不良事件方面具有显著优势。 AI 也能处理正电子发射体层成像（PET）结合CCTA 产生的冠状动脉功能障碍数据，对斑块狭窄、心肌负荷、心肌质量进行定量分析，且整合后进行风险评估，以量化受损心肌血流储备[43]。但由于PET 心脏成像成本较高，故很少应用于临床。尽管SPECT和PET 成像时病人所接受的高辐射剂量仍然是AI用于心脏核成像模式的主要限制[44]，但AI 在SPECT和PET 心肌灌注成像的应用价值已得到证实。随着研究的不断深入，AI 在心脏SPECT 和PET 成像中的临床价值有望得到进一步提升。

3 小结

AI 在心脏成像中的应用均以心脏分割和快速成像为核心，但在不同成像方法中各有优势。心脏超声主要通过射血分数评价心脏功能，今后可能围绕射血分数的自动化计算以及AI-心阻抗图-超声心动图参数快速检测进行研究，而心脏CT 主要通过钙化斑块的自动化定性、定量和FFRCT对病人进行诊断及预后评估。 AI-MRI 对心肌疾病（如心肌纤维化）的诊断优于其他成像方法，但由于序列复杂等多种因素限制，目前对图像的自动化处理程度不如CT 和超声。 SPECT 和PET 在心肌灌注、心脏早期血运重建和心血管不良事件预估方面有一定优势，但需要进行更多的实验进一步论证，且一次扫描中的高成本和高辐射剂量问题尚待解决。

目前基于AI 的心脏成像技术在各个方面已取得了突破性进展，但需要认识其局限性：①ML 依赖人工标记病灶特征进行学习，但人工成本偏高；而DL 高度依赖大数据库进行优化，基于数据的产权问题使资料难以收集；②用以训练AI 的数据库并不统一，自动化评估病灶的算法也不尽相同，对疾病的诊断、预后评估等仍存在一定偏差；③AI 应用于临床带来的一系列如医疗安全、责任划分等伦理性挑战，目前仍没有很好的应对策略。随着AI 研究进步，心脏影像诊断已经进入了一个新的时代，AI 系统研发以及临床应用的日渐成熟，心脏影像检查将会为临床提供更多的信息，也将进一步推进精准医疗的发展。

[1] Kahn CE Jr.From images to actions:opportunities for artificial intelligence in radiology[J].Radiology,2017,285:719-720.

[2] Dilsizian ME,Siegel meets biology:a primer on artificial intelligence in cardiology and cardiac imaging[J].Curr Cardiol Rep,2018,20:139.

[3] Litjens G,Ciompi F,Wolterink JM,et deep learning in cardiovascular image analysis[J].JACC Cardiovasc Imaging,2019,12:1549-1565.

[4] 陈梓娴,林晨,倪金荣,等.2018 年北美放射学年会心脏MRI 人工智能研究进展[J].中国医学影像技术，2019,35:1111-1114.

[5] Singh G,Al’Aref SJ,van Assen M,et learning in cardiac CT:basic concepts and contemporary data [J].J Cardiovasc Comput Tomogr,2018,12:192-201.

[6] Madani A,Arnaout R,Mofrad M,et al.Fast and accurate view classification of echocardiograms using deep learning[J]. NPJ Digit Med,2018,1:1-8.

[7] Khamis H,Zurakhov G,Azar V,et apical view classification of echocardiograms using a discriminative learning dictionary[J].Med Image Anal,2016,36:15-21.

[8] Van Ginneken B. Fifty years of computer analysis in chest imaging:rule-based, machine learning, deep learning[J]. Radiol Phys Technol,2017,10:23-32.

[9] Knackstedt C, Bekkers SC, Schummers G, et al. Fully automated versus standard tracking of left ventricular ejection fraction and longitudinal strain:the FAST-EFs multicenter study[J].J Am Coll Cardiol,2015,66:1456-1466.

[10] Shah SJ,Katz DH,Selvaraj S,et al.Heart failure phenomap-ping for novel classification of heart failure with preserved ejection fraction[J].Circulation,2015,131:269-279.

[11] Tamborini G,Piazzese C,Lang RM,et and accuracy of automated software for transthoracic three-dimensional left ventricular volume and function analysis: comparisons with two-dimensional echocardiography, three-dimensional transthoracic manual method, and cardiac magnetic resonance imaging[J]. J Am Soc Echocardiogr,2017,30:1049-1058.

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