人工智能在心功能評估中的應用

蔡雨琪綜述，吳偉春審校

人工智能是通過模擬人類的學習思維過程，分析當前大數據時代下繁雜的數據，提高人類工作效率的一種工具。目前機器學習以及機器學習的子集深度學習是人工智能最常用的子集，深度學習常用來分析臨床原始數據和影像圖像等[1]，機器學習常常用于預測、評估心血管疾病的嚴重程度及預后[2]。目前，人工智能在醫學上應用普遍，在心血管方面已逐步涉及。心力衰竭在人群中發病率高，嚴重減低患者的生活質量和壽命，給社會造成了巨大的壓力和負擔[3-4]。尤其是射血分數保留的心力衰竭（HFpEF），占因心力衰竭入院患者的一半以上[5]，而HFpEF 沒有單一的診斷標準和治療指南，預后往往也更差，準確的評估患者的心功能尤其是舒張功能，對早期HFpEF 診斷治療以及評估預后有重要意義。目前評估心功能的手段較多，但評估效能不一，人為測量差異大，評估的指標繁多，臨床醫師無法對每一位患者進行全面的心功能評估，人工智能以其特有的優勢，被逐步應用于心功能評估中，有望輔助臨床醫生高效診斷治療心功能不全患者，引領心血管診療走向更加精準、個體化的方向[6]。現對人工智能在心功能評估中的應用進展做一綜述。

1 人工智能在心血管疾病領域的發展概況

人工智能最開始被認為是制造智能機器的科學，現在，人工智能更多的利用算法，賦予機器智能推理和執行功能的能力，并隨著科技進步，逐步轉化到各個學科。機器學習和深度學習是人工智能的子集，被廣泛應用于醫學領域。機器學習是機器自動學習參數的過程，可分為監督學習、無監督學習、半監督學習。監督學習主要是對數據集進行標記，進行回歸分析和預測，非監督學習對數據集進行降維和聚類，發現樣本之間的關系[7]。而深度學習屬于機器學習的一個子集，但深度學習的復雜程度和智能水平高于機器學習本身，深度學習通過模擬人腦的神經系統，形成卷積神經網絡模型或遞歸神經網絡模型等，自動對數據集的聯系進行分析[8]。在建立人工智能模型的過程中，數據集被劃分為訓練集、驗證集和測試集。訓練集通常包含大量可用數據，并與較小的驗證集一起，用于模型的開發，測試集用于評估模型的適用性[9]。

人工智能在心血管疾病的多個領域廣泛應用，包括對瓣膜病的嚴重程度評估和預后預測[10]。深度學習算法在預測肺動脈高壓患者的預后和未來事件方面明顯優于臨床醫生[11]。此外，人工智能在識別心律失常中亦發揮了重要作用，利用深度學習模型開發人工智能心電圖儀以及智能手表，可以自動識別心房顫動等心律失常，監測個體的心電數據情況，為心律失常的診療帶來巨大變化[12]。

2 人工智能在心功能評估的應用

心臟功能常常運用超聲心動圖、MRI 等影像學手段進行評估，超聲心動圖包括二維超聲心動圖、三維超聲心動圖、M 型超聲心動圖等，具有便攜、實用、價格低廉、無放射性等優點，可用于評估心臟的結構和功能，但超聲心動圖結果的準確性依賴于操作者水平，圖像質量水平不一。而MRI 具有高組織分辨率和空間分辨率，成像效果好、重復性好等優點，但MRI 檢查價格高昂、檢查周期長，不能被廣泛應用于常規的心臟檢查中[13]。利鈉肽的水平對評估心功能也有重要意義[14]，但利鈉肽的水平受到性別、年齡等因素的影響，部分心功能減低患者利鈉肽水平仍保持在正常濃度[15]。心功能不全常常是其他心血管疾病的晚期并發癥，許多患者早期不表現出任何臨床癥狀，常常進展到晚期才出現臨床癥狀，生存質量和壽命明顯減低。梅奧中心指出現有的指南指導下心功能不全的治療效果并不理想，有必要重新定義心力衰竭的診斷標準和治療策略[16]，應用人工智能分析臨床相關數據，有助于早期發現心功能不全患者，發現疾病的新的表型分類，為當前診斷標準提供更好更精確的策略，為心血管診療帶來更多進步和機會。

2.1 人工智能在左心室收縮功能中的應用

超聲心動圖是定量評估左心室功能的常用手段，其中左心室射血分數（LVEF）是評估左心室收縮功能最常用的指標，對如急性冠狀動脈綜合征、急性心肌炎、心力衰竭的預后具有預測意義，此外，LVEF 值對臨床心力衰竭的分類有重要意義。二維超聲心動圖獲取射血分數值的方式包括：M 型超聲心動圖法和辛普森雙平面法。這兩種方法因為受到肌小梁等的干擾以及選取的切面視圖短縮導致獲得的射血分數值不準確，Asch 等[17]利用5 萬份來自超聲心動圖數據庫的圖像，構建深度學習模型，模擬人眼的直接評估LVEF，將構建的模型對99 例患者進行檢測，自動獲取射血分數值，其結果與3 名專家使用上述的兩種傳統方式獲得的射血分數值進行比較，兩種方式的一致性高：r=0.94，偏倚=1.4%，一致性限度=±13.4%，敏感度93%，特異度87%，表明模型自動獲得的射血分數值和專家組人工獲取的射血分數值可信度相當。三維超聲心動圖不需要對心臟進行幾何假設，避免因為視圖短縮而導致心室容積被低估，機器學習模型可以自動識別心內膜和心外膜，識別心臟周期的舒張末期和收縮末期，構建3D 的左心室腔模型和容積[17-19]，從而獲得LVEF，獲取的結果重復性強，與全手工后處理的結果相比，可信度高r值達到0.88，如果醫生認為機器識別的邊界需要調整，可以手動對心內膜和心外膜邊緣進行編輯，編輯后獲取的LVEF 等參數的準確性明顯提高，其r值增加到0.94[19]。同時，檢測左心室功能的同時，三維超聲心動圖可自動分析左心房，獲取左心房容積，為臨床醫生評估心功能提供更全面的數據[19]。

人工智能利用分類以及回歸算法，可學習病例中的客觀的臨床特征數據與左心室收縮功能之間的聯系，構建機器學習模型，對患者的左心收縮功能進行評估[15,20-21]。在一項對因呼吸困難而入急診的患者回顧性研究中，Attia 等[20,22]獲取1 606 例患者的心電圖數據，利用Tensorflow（谷歌張量流圖，一種學習系統）+Keras 深度學習庫訓練的卷積神經網絡,對訓練集內的所有患者的12 導聯心電圖進行學習，在訓練過程中，輸入由12×5000 個矩陣組成的十二導聯心電圖，神經網絡使用卷積層對每張圖片進行特征提取，通過一層全連接層使用softmax 激活并實現對心電圖的分類，將該分類結果與實際的分類進行比較，最后進行adam 算法，對網絡參數進行優化，獲取相應的神經網絡模型，構建的神經網絡模型自動評估受試者的LVEF值，識別LVEF<35%的患者準確度、特異度、敏感度、AUC 分別為86.5%、86.8%、82.5%、0.918[16]，使用心電圖以及其他臨床特征可以有效識別射血分數減低的急診患者，而且模型預測LVEF 的效能高于利鈉肽的預測效能[15,20]，這是因為利鈉肽的濃度受到年齡、性別的影響，神經網絡可以克服這一缺陷，對多個臨床特征進行自動分析，更準確的識別LVEF<35%的人群，此外神經網絡能自動分類識別出有左心室功能減低趨勢的患者，這些患者未來5年出現左心室收縮功能障礙的風險較正常人群增加了4 倍[22]。機器學習中的無監督學習可對數據集內部的相似性進行學習聚類，可以利用心電圖數據對收縮功能障礙的患者進行自動聚類[22]，利用基層醫院可行的心電圖等檢查手段早期篩查出收縮功能障礙以及有收縮功能減低趨勢的患者，并可利用心電圖等其他的臨床數據對患者的射血分數值實時評估，當發生射血分數顯著降低時及時進行干預。

MRI 檢查通過對圖像進行后處理，專業醫師手動描記心室內膜邊界，獲取左心室收縮末期和舒張末期的容積，評估左心室射血功能，需耗費大量時間，而且不同水平的醫師描記的結果可信度也有差異。機器學習和深度學習模型自動對心內膜進行分割、描記心內膜邊界[7,23]，建立穩定的心臟模型，利用分類器如softmax 等識別心臟時相，準確識別心室舒張末期和收縮末期[24]，獲取左心室的容積、質量、心肌室壁厚度和心臟功能[7,24]，其中壓縮感知成像可從小樣本數據庫快速采集圖像，加速對心臟的重建[25]，并行成像以及實時成像加速MRI 圖像的獲取[24,26]，聯合卷積神經網絡技術，使臨床應用MRI 全自動重建分析心臟功能成為可能。B?ttcher等[27]利用機器學習快速獲取心室容積-時間曲線，獲取整個心動周期的左心室容積變化數據，與傳統的手動分析手段相比，準確性差異無統計學意義，但對每個患者的分析時間從（43±14）min 顯著縮減到（2.5±0.5）min，實現了實時MRI 評估心功能，實時獲取的左心室容積和變化參數具有潛在的臨床意義。

2.2 人工智能在左心室舒張功能中的應用

對于LVEF 降低的心力衰竭患者，舒張功能指數變化早于收縮功能，且舒張功能對心力衰竭患者的治療效果和預后意義更大[28]，此外，舒張功能不全的患者在人群中隱匿性強，可不表現出任何癥狀，準確的評估左心室舒張功能，識別舒張功能降低的患者，有助于對心力衰竭患者進行早期診療和改善預后。超聲心動圖是評估左心室舒張功能的重要手段[29]，人工智能采用二尖瓣舒張早期和晚期的峰值速度E 峰和A 峰以及E/A、組織多普勒二尖瓣環舒張早期速度e’、三尖瓣反流峰值流速、左心房容積指數、左心室質量等超聲心動圖參數評估左心室舒張功能[21,29]，其中，舒張早期二尖瓣環速度e’是最成熟的用于評估心肌舒張功能的參數之一,通常在其他超聲心動圖指標改變之前提示心肌損傷[30-31]，常常用來訓練評估舒張功能的機器學習模型。有學者通過整合體表信號處理心電圖、12 導聯心電圖的數據和臨床特征建立評估舒張功能的監督機器學習模型，預測的準確程度和超聲心動圖評估的準確程度相當[21,31]。在一項從四個北美機構納入1 202 名受試者的前瞻性研究中，利用訓練組的心電數據和臨床特征構建的機器學習模型，可以預測受試者超聲心動圖組織多普勒的e'速度，內部測試集和外部測試集預測值與實際e'速度相當[31]。此外，左心室的容積變化和整體縱向應變模式也常用于定量評估左心室舒張功能，深度學習和機器學習通過分析超聲心動圖圖像，快速預測左心室的容積和整體縱向應變[19]，預測結果和MRI 結果具有良好的一致性[18]。

左心舒張功能減低患者靜息狀態下可能不表現出任何癥狀，但心臟舒張儲備功能明顯下降，負荷狀態下的心肌不能代償，表現為心肌的舒張運動模式異常，心肌僵硬度增加[32]，指南建議將心臟儲備功能作為評估心功能不全的常規檢查[14]。有研究獲取受試者的靜息時和負荷下的不同時相的左心室長軸間隔壁和后壁心肌運動的模式數據，用于構建無監督機器學習模型，通過降維獲取數據中的相似性，再利用聚類將相似的特征提取出來，獲得了四個表型不同的亞組，可更準確的幫助臨床醫生評估患者的心肌舒張功能，提供更加精準的治療策略和預后價值[33]。

3 人工智能與右心室功能

MRI 是評估右心室功能的金標準[27,34]，能客觀評估心腔的結構和功能，通過對專家手動分析的MRI 圖像數據進行學習，構建機器學習模型，描記右心室心內膜邊界[23]，自動重建心臟模型，獲取右心室心肌運動模式，能精確的識別出肺動脈高壓患者不良事件發生的概率，精確度高于右心室射血分數以及右心室應變[7]。MRI 是評估右心室射血分數和容積的金標準，但目前MRI 檢查成本高，檢查周期長，三維經食道超聲心動圖比MRI 檢查更易獲取和操作，有軟件公司開發的機器學習模型對3D-TEE 圖像進行自動分析，獲取右心室的容積和射血分數值，其中三分之一的患者可以完全自動化分析，時間僅需（15±1）s，而剩下的三分之二的患者需要經過2 min 左右的手動描邊后獲取右心室功能。所有的病例的結果具有良好的重現性，準確度和MRI 評估結果一致[35]。Liu 等[36]使用基于人工智能算法的分析軟件對術中三維經食道超聲心動圖的右心室圖像進行全自動分析，評估右心室功能相關參數之間的關系，發現右心室面積變化分數和右心室長軸應變之間有很強的相關性，且獲取的參數的重復性高，因此可利用人工智能軟件，對患者的應變參數進行分析，進一步研究應變值與術前危險分層以及術后預后的關系。

三維經食道超聲心動圖能精確評估右心室功能，但操作困難，有創，二維經胸超聲相對三維超聲更易獲取，更安全。二維超聲獲取參數如右心室收縮壓、肺動脈舒張壓、三尖瓣環收縮期位移、右心室面積變化分數、三尖瓣環收縮峰值速率S’速度被用來評估右心室的功能，利用機器學習分析發現三尖瓣環收縮期位移和S’預測評估右心室功能降低的精確度最高[37]。一項利用機器學習模型預測安裝左心室輔助裝置患者發生右心衰竭的研究提出，在所有右心室功能相關參數中，Michigan risk score（用于評估安裝左心室輔助裝置的患者發生右心室心力衰竭風險的風險評分手段[38]）、中心靜脈壓、右心室尖端游離壁的收縮期長軸應變對預測急性右心衰竭的準確性最高，右心室中段游離壁的收縮期應變、三尖瓣環收縮期位移、右心房應變在預測患者發生慢性右心衰竭的準確性最高，為預測左心室輔助裝置植入術后右心衰竭提供更敏感的參數，協助臨床醫生快速處理并發癥[39]。

4 結論與展望

人工智能能通過學習客觀的臨床特征如心電圖等評估預測患者的心功能，在心血管疾病的臨床應用中有巨大潛力，利用現有自動分析軟件，分析超聲心動圖和MRI 的圖像，快速描記心內膜邊界，獲取心室的大小、容積、質量、功能、運動模式等。通過對大樣本的臨床數據進行學習和分析，可以識別心功能減低的人群、發現疾病的新的亞型、構建新的有特征性的心功能不全表型分類、判斷患者的預后或者發生心功能不全的風險，輔助臨床醫生對患者進行個性化精確治療。然而，當前人工智能仍有其局限性，如機器學習模型評估心功能時大多數是對超聲心動圖獲取的數據進行標記構建機器學習模型，而獲得的超聲心動圖質量并不完全一致，低質量的數據不能準確的預測患者的心臟功能。此外，大多數研究受試者樣本量集中于某一地區，這樣獲得的機器學習模型在該地區的預測效果好，但對其他地區人群的評估結果較差，模型不具有普適性。大多數分類模型是對樣本進行的回顧性分析，未對受試者的預后進行追蹤，而通過聚類分析，獲得的特點相似分組的治療效果和預后對疾病的危險分層和治療有重要意義，尤其是對HEpEF 患者尤其重要。在圖像識別方面，人工智能的識別準確性很大程度依賴于圖像的質量。此外，當前的人工智能模型如同一個“黑箱”，人們即使能理解算法的數學原理，也很難理解這些算法是如何做出決定的，人工智能無法解釋黑箱內部的結構和相互之間的因果關系[40]。

人工智能可以有效地幫助人類拓寬認知的邊界，但人類的理性的敏銳的思維是人工智能無法替代的，不可否認，人工智能為心功能的評估提供了巨大的機會，它正在改變診療的格局，為臨床醫生提供有力的輔助工具，提高患者的生活質量和生存時間。不久的將來，人工智能的快速發展將會帶領我們進入心血管診療的新時代。

利益沖突：所有作者均聲明不存在利益沖突