人工智能深度學習在心血管影像診斷中的研究進展

張 佳 孫 凱

醫學影像是現代醫療的重要組成部分，在診療過程中不可或缺，但傳統影像診斷主要依賴影像科醫師進行，難以避免以下問題：①過分依賴醫生經驗和主觀判斷，經驗不足的年輕醫師存在誤診及漏診現象；②傳統影像診斷中存在肉眼無法分辨的圖像信息，導致圖像信息利用率低[1]；③影像醫師培養周期長，專業人才的短缺使得醫師工作強度過大。據統計，我國醫學影像數據年增長率約為30%，但影像醫師數量年增長率約為4%，二者相差26%[2]；④現階段影像診斷主要為定性診斷，定量診斷很少，不符合現代精準醫療要求。

1 人工智能深度學習

深度學習與醫學影像結合的模式應運而生。深度學習是機器學習的延伸，機器學習則是人工智能(artificial intelligence，AI)實現的基礎。深度學習采用多層結構的機器學習模型，建立模擬人腦的神經網絡來進行分析學習，將低層特征組合形成更加抽象的高層表示屬性類別或特征，發現數據潛在的分布式特征，其主要包括深度信念網絡、卷積神經網絡、循環神經網絡、生成式對抗網絡及膠囊網絡等學習模型[3]。心血管疾病是我國居民健康的重大威脅，據統計，心血管疾病的病死率占城鄉居民總病死率首位，在農村和城市分別為44.8%和41.9%，且仍處于上升趨勢[4]。深度學習應用于影像診斷可彌補傳統影像診斷不足，故其在心血管影像方面應用具有重要價值。通過結合近年來國內外醫學影像深度學習的研究成果，介紹深度學習在心血管影像方面的應用研究進展及其面臨的挑戰，為實現心血管疾病的早期診斷和早期治療提供參考。

2 AI深度學習與心血管疾病

2.1 冠狀動脈鈣化

冠狀動脈鈣化量(coronary artery calcification，CAC)是心血管事件的獨立預測因子之一。CAC在心臟鈣化評分CT(calcium-scoring computed tomography，CSCT)中被臨床量化。不少研究者將深度學習與冠狀動脈鈣化測量相結合，以實現計算機自動識別。Wolterink等[5]提出一種在冠狀動脈CT成像(coronary computed tomography angiography，CCTA)中自動定量CAC的方法。該方法使用監督學習直接識別和量化CAC，無需用現有方法對冠狀動脈進行提取。該研究對250名患者進行CCTA檢查，并使用深度學習自動定量模式識別方法，可在CCTA中準確地自動識別和量化CAC。Shadmi等[6]提出一種基于全卷積深層神經網絡的冠狀動脈鈣化自動分割方法，用于從任何非增強CT中預測冠狀動脈鈣化評分。多種統計結果，如Bland-Altman分析、Pearson相關系數和線性加權Kappa分析等均表明，其算法分析結果與專家手動標注結果相近。Datong等[7]提出一種基于深度學習的算法用以檢測冠狀動脈鈣化，經測試其能準確檢測復雜背景下的冠狀動脈鈣化區域，總體分類準確率達77.1%，顯示其模型可有效減少影像醫師識別冠狀動脈鈣化的時間，避免不同醫師診斷之間的主觀性和多樣性。

2.2 冠狀動脈斑塊

判斷冠狀動脈斑塊的性質特別是評估易損斑塊尤為重要。易損斑塊是有破裂傾向、發展較為快速且極易產生血栓的危險斑塊，大量心腦血管急性事件與該斑塊密切相關。影像學檢查是目前冠狀動脈斑塊識別的主要手段，包括靶向分子熒光成像、CCTA、磁共振動脈成像、血管內超聲、血管內窺鏡和光學相干斷層成像等方法[8]。深度學習與斑塊性質識別結合同樣具有發展前景。Gessert等[9]使用由3位經過培訓的專家標記的患者圖像組成的數據集，采用最先進的深度學習模型，直接從圖像中學習斑塊分類，配合不同轉化方法，解決了斑塊分類挑戰。最終其模型在血管內光學相干斷層掃描檢測潛在斑塊沉積物時，準確度為91.7%，靈敏度為90.9%，特異度為92.4%。該研究表明，建立基于深度學習的斑塊檢測系統是可行的。CCTA餐巾環征象被認為與易損斑塊和未來急性冠狀動脈綜合征密切相關[10]。Kolossváry等[11]使用影像組學及深度學習模型識別帶有餐巾環征象的冠狀動脈斑塊，使用其開發的圖像分析軟件包分析分割的斑塊，可量化圖像的放射學特征。資料顯示，多個放射學特征(包括3個參數：短期和長期低灰度重點、高衰減體素的表面積與總表面積之比)對高危斑塊的辨別力高于病變體積和其他常規定量參數。均顯示深度學習在冠狀動脈斑塊識別的發展大有前景，隨著技術發展，斑塊性質可更加明確，對患者的診治及預后具有重要意義。

2.3 心血管分割

在醫學影像中實現對心血管準確地自動分割是研究熱點，大量研究將深度學習應用于分割問題。心外膜脂肪組織(epicardial adipose tissue，EAT)是與冠狀動脈疾病相關的內臟脂肪沉積物，全自動量化EAT體積，將可能是一種節省時間又可靠的心血管風險評估工具。Commandeur等[12]提出一種全新自動深度學習模式，用于冠狀動脈CT掃描中EAT和胸部脂肪組織(thoracic adipose tissue，TAT)的量化。其評價該方法在250名無癥狀個體的CT數據集上的表現，結果表明EAT和TAT的自動量化和專家手動量化間存在較強一致性，且較之于機器學習，深度學習準確性更佳。該方法代表了用于快速全自動量化脂肪組織工具的可行性，并可改善用于常規CT掃描患者的心血管風險分層。Fan等[13]提出一種基于深度學習的新方法，通過使用多通道完全卷積網絡自動從血管造影中分割冠狀動脈，并將掩模圖像考慮在內，以區分真實的血管結構。研究表明，該方法與幾種最先進的方法相比，對冠狀動脈分割有效且穩定。在核磁成像中，Tan等[14]提出一種用于左心室核磁電影圖像的完整短軸加時間分割的自動化方法，基于卷積神經網絡，采用兩步定位左心室中心點的方法，并確定左心室心內膜和心外膜半徑，該實驗證明了深度學習在核磁圖像中自動分割左心室的可行性。

2.4 冠狀動脈狹窄

冠狀動脈狹窄程度的判定對冠狀動脈粥樣硬化患者尤為重要，其決定了患者下一步的治療方案。血流儲備分數(fraction flow reserve，FFR)是評價冠狀動脈生理功能的金標準，但其為有創性方法，臨床應用受限[15]。而CCTA檢查后機器自動判定狹窄程度準確率仍較差，診斷很大程度依賴影像科醫師，急需開發算法以實現自動識別。Zreik等[16]提出一種自動識別顯著的功能性冠狀動脈狹窄患者方法，在靜息態CCTA中采用左心室心肌的深度學習分析。使用多尺度卷積神經網絡對左心室心肌進行分割，隨后使用非監督的卷積自動編碼器對其進行編碼，并將編碼的統計數據計算為特征，根據功能性狹窄的存在對患者進行分類。結果表明，在未評估冠狀動脈解剖結構的情況下，靜息時獲得的單次CCTA掃描中對左心室心肌的自動分析可用于鑒定冠狀動脈具有顯著功能性狹窄的患者，可減少患者有創檢查頻率。黃增發等[17]選取臨床疑似冠心病患者50例，使用基于深度學習的AI輔助診斷系統識別其CCTA圖像中的冠狀動脈狹窄，以評價AI的應用價值，其結果表明，在冠狀動脈病變管腔狹窄程度識別中，AI診斷冠狀動脈狹窄的敏感度和特異度分別為60.87%和80.77%，對冠狀動脈狹窄診斷具有一定價值，且可極大減少醫師診斷時間。

近年來，基于CCTA數據應用FFR分析方法所得的血流儲備分數CT(fraction flow reserve computed tomography，FFRCT)是研究熱點，該方法為無創檢查，且可結合解剖和功能信息。檢查時無需服用負荷藥物或進行額外影像采集，檢查時冠狀動脈功能和解剖情況即可顯示，應用前景廣闊[18-19]。而基于深度學習的AI FFRCT分析算法采用多層神經網絡結構，基于患者CCTA中血管直徑、長度和狹窄程度等解剖學特征，研究血流動力學與冠狀動脈樹解剖結構間的復雜關系，初步研究顯示運算時間為(2.4±0.4)s，可較快對患者進行檢查，用于急性胸痛患者可幫助快速診斷[20]。

3 心肌灌注顯像

心肌灌注顯像(myocardial perfusion imaging，MPI)是篩查心肌缺血的無創檢查方法，20世紀70年代開始被應用，因其具有極大診斷價值，現已在世界范圍內被廣泛接受，成為目前冠心病診療、效果評價及判斷預后的重要影像學方法。Nakajima等[21]設計研究在冠狀動脈疾病患者中應用人工神經網絡，并與心肌灌注成像中的常規視覺和定量方法相比，表征其診斷能力。Betancur等[22]研究通過深度學習方法從單光子發射型電子計算機斷層掃描(single-photon emission computed tomography，SPECT)心肌灌注影像中提取關鍵特征，對可疑的冠心病患者進行血運重建預測，結果均顯示深度學習的診斷能力與常規評分方法相似，且深度學習可為判斷異常提供不同觀點，是目前評估MPI異常最具前景的方法之一。

4 展望

深度學習的應用仍處于起步階段，面臨諸多挑戰，如數據鏈不完整、數據量過小及各平臺數據不穩定等問題，但其應用于醫學影像診斷具有突出優點：通過高通量的抽取定量化特征，深度學習將醫學分層影像轉化為可挖掘的數據，并分析這些數據用于決策支持，為影像科醫師提供更多客觀和定量信息，輔助診斷，減少漏診誤診[23]。同時，基于大數據和計算機算法模型的運作系統工作更加高效，并可通過網絡云平臺實時會診，減輕影像科醫生負擔的同時彌補了基層醫療欠缺。深度學習是當下研究熱點，發展得到國內外大力支持。隨著人們生活水平不斷提升，心血管疾病發病率和病死率居高不下，AI可有效輔助影像科醫師診斷心血管疾病，對減少心血管急性事件的發生及改善預后具有重要意義。