人工智能在經皮冠脈介入治療及預后評估中的研究進展

魏珂，司春嬰，王賀，陳玉善，關懷敏

1977年Gruentzig教授[1]實施首例經皮冠狀動脈腔內成形術，標志著經皮冠狀動脈介入治療(percutaneous coronary intervention,PCI)開啟了介入心臟病學新紀元。近年來，隨著冠狀動脈影像學在PCI治療中的應用，顯著降低了再狹窄和靶病變血運重建率，已成為輔助術者精準完成PCI的重要方法。基于機器學習算法的人工智能(artificial intelligence,AI)通過對大樣本冠脈影像自我學習實現了自動識別冠脈管腔輪廓、計算最小管腔面積和斑塊負荷等重要參數，縮短了影像分析時間，減少了醫生工作量。另一方面，心血管疾病是由遺傳、環境和行為學多因素共同造成，機器學習算法可以將高緯度的心血管影像轉化為可挖掘的數據并通過整合患者的社會人口學特征、實驗室檢查和遺傳學等信息，優化傳統風險預測模型更精準地預測PCI患者預后，輔助醫生制定個體化治療方案。

人工智能概述

AI是基于數據的智能化計算機系統，旨在開發用于模擬人類思維過程、推理和行為能力的智能化系統[2]。機器學習作為AI重要的組成部分，也是AI在醫學領域應用中的研究熱點。機器學習指計算機在無先驗知識的情況下，通過算法對樣本數據的自我學習，從數據中得到規律并實現特定目標和任務[3]。與機器學習相比，AI不僅涵蓋了系統感知數據(如自然語言處理或語音/圖像識別)的能力，還包括基于學習的信息控制和操縱對象的能力。算法模型訓練過程中數據是第一要素。機器學習根據所需處理的變量類別和訓練方式的不同，分為監督學習和無監督學習。監督學習是指算法通過學習帶有標簽的數據集，發現輸入數據與輸出數據間所存在的某種映射關系。因此，常被用來構建冠心病發病風險預測模型，提高冠心病的篩查效率。而無監督學習無需提前對樣本數據進行數據標注，側重于發現數據間的底層結構以揭示數據間潛在聯系。包括從豐富的組學數據中自動提取分子特征，識別數據中存在的隱藏模式，發現新的疾病機制。深度學習作為機器學習的子領域，以神經網絡為基礎，利用隱藏神經元層產生的底層數據實現輸入與輸出數據間的非線性轉化[4]。近年來，隨著深度學習在處理大樣本數據和計算機視覺領域中的優異表現，使深度學習在醫學影像分析和疾病風險預測方面戰勝了很多傳統機器學習算法[5]。在深度學習算法應用于醫學影像處理之前，無論是基于圖像還是基于模型的算法，都無法到達臨床應用要求。而深度學習不僅可以應用于圖像的分割，還能通過降噪和超分辨率技術增強圖像質量[6]。

AI在指導PCI介入治療中的應用

目前，對于冠狀動脈的影像參數分析仍依賴于半自動軟件的測量或醫生主觀視覺判斷，操作比較費時，且主觀判斷缺乏標準化。利用AI構建冠脈影像自動分析模型，通過學習大樣本量冠脈影像，使模型獨自完成抽象特征的提取，實現精準分割冠脈輪廓，量化管腔和斑塊特征，從而輔助術者優化PCI治療策略，縮短手術時間[7]。

1.AI在冠脈造影中的應用

冠脈造影是目前診斷冠心病和指導治療的重要工具，但冠脈造影的診斷依賴于醫生的臨床經驗，不同醫生對狹窄程度的解讀往往存在一定主觀差異，從而影響治療決策的制定。雖然冠脈造影定量分析(quantitative coronary angiography,QCA)提供了客觀的量化指標，但需要高質量的造影圖像才能獲得準確的冠脈參數。為了減少患者和醫生在圖像采集中的電離輻射，血管區域與背景對比度較低，盡管使用了計算機輔助工具，但復雜的背景結構、心臟運動、偽影和噪聲的存在,導致血管輪廓依然不能被清晰捕捉[8]。所以，許多傳統的血管分割算法對實現冠脈造影高精度分割仍是一個挑戰。近年來，數據驅動的深度學習在圖像分割領域表現出色。謝麗華等[9]通過利用2834例冠心病患者的12900張冠脈造影圖像，搭建了基于反向傳播算法的深度神經網絡，用于冠脈造影血管的分割和節段識別。通過將模型分割結果與專家標注的結果相比較，計算模型的準確度、陽性預測值、陰性預測值和ROC曲線下面積(area under curve,AUC)等指標。結果顯示血管分割的準確度、陽性預測值和陰性預測值分別為99.2%、87.1%和99.8%，AUC 為0.987。Yang等[10]基于U-Net卷積網絡構建了冠脈造影血管分割模型，冠脈造影最狹窄處區域可以被清晰捕捉且具有高度的連接性。綜上，深度學習模型可以精準分割冠脈造影血管輪廓，較少地使用手動校準，減少了QCA的時間，進而可以促進QCA診斷方法的使用。

2.AI在血管內超聲(intravascular ultrasound,IVUS)中的應用

粥樣斑塊破裂伴閉塞性血栓形成是急性冠脈綜合征的主要誘因，早期識別薄纖維帽粥樣硬化斑塊(thin cap fibro atheroma,TCFA)對于預防急性冠脈綜合征有著重要意義。TCFA為纖維帽厚度<65 μm且有壞死脂質核心的斑塊發生斑塊破裂和血栓的風險較高，是主要心血管不良事件(major adverse cardiovascular events，MACE)獨立預測因子[11]。IVUS作為冠脈造影的重要補充手段可提供冠脈管壁結構、斑塊負荷以及即刻評價支架置入的效果。多項隨機對照試驗表明IVUS引導下的PCI可以顯著降低再狹窄率和靶病變血運重建率。目前，AI在IVUS領域的應用主要體現在對IVUS圖像的分割和識別，包括自動分割IVUS影像中的管壁內膜和中膜，獲得管腔和斑塊特征等信息[12]。Jun等[13]基于卷積神經網絡(convolutional neural networks,CNN)構建了TCFA的分類模型，用于自動識別負荷較重的易損斑塊。該CNN模型使用了12352張IVUS影像直接輸入，TCFA的標簽基于患者的同一幀IVUS圖像與OCT圖像對比獲得。結果顯示該模型的特異度和敏感度分別為82.81%、87.31%，AUC為0.911。表明基于CNN算法模型可以精準識別IVUS影像中的TCFA。隨著心血管病危險因素的增加，TCFA的發生率也逐漸增加。因此，利用深度學習模型早期識別TCFA，有效地為MACE事件的預測提供了補充工具。

3.AI在冠脈光學相干斷層成像(optical coherence tomography,OCT)中的應用

OCT是繼IVUS后出現的一種新的冠脈內成像技術，與IVUS 相比，OCT有著更高的空間分辨率，可更精確的檢測支架植入后的血管內情況如支架貼壁不良、邊緣夾層和膨脹不良等。此外，在測量冠脈管腔直徑和面積方面也有更高精度[14]。由于OCT導管的一次回撤往往產生數百張圖像序列，醫生對圖像進行精確評估將耗費相當大的時間和精力，而AI可以在短時間內完成OCT影像的自動化分析。He[15]基于CNN構建了自動識別OCT圖像中鈣化斑塊的分類器，與TCFA相比鈣化斑塊雖然相對穩定，但是當鈣化斑塊厚度>0.5 mm或鈣化角度>180°時，支架膨脹不良風險將會增加。該研究中CNN模型對于斑塊鈣化的識別的準確率達到96.9%，實現了對鈣化斑塊的精準識別，從而可以在支架植入前給予靶病變血管充分的預處理如采用旋磨或切割球囊，以達到良好的支架膨脹效果。此外，支架尺寸的選擇在分叉病變中尤為重要，因為當主支支架直徑過大會導致嵴的移位，從而造成分支的變形和狹窄[16]。同時，復雜分叉病變支架置入過程中需要重置導絲，導絲位置不理想會導致支架貼壁不良。而新一代3D-OCT不僅有支架尺寸自動選擇工具，還可以三維重建冠脈顯示分支開口和支架形態，并實時顯示支架貼壁影像，進而減少支架膨脹不良和貼壁不良情況發生，為優化支架植入策略提供了參考[17]。

4.AI在基于冠脈CT血流儲備分數(fractional flow reserve,FFR)的應用

冠狀動脈CT血管成像(coronary CT angiography，CCTA)作為評價冠心病最常用的無創影像技術，在診斷冠脈狹窄具有較高的準確性。目前，已有橫斷面研究表明基于CCTA的斑塊分析與IVUS 有高度一致性，可以對斑塊進行定量評價[18]。FFR是診斷冠狀動脈血管生理功能的金標準，能特異地反映心外膜下冠脈狹窄的功能學嚴重程度。然而，由于FFR檢查的有創性、價格昂貴以及腺苷等擴血管藥物的使用，限制了其在臨床上的應用。隨著AI在CCTA領域的不斷發展，基于CCTA的斑塊定量分析和FFR系統，避免了部分侵入性冠脈造影檢查[19,20]。同時，AI可以自動完成CCTA管腔的分割和狹窄測量等功能，較人工分析耗時平均縮短了39.37%，減輕了醫生工作量[21]。喬紅艷等[22]基于 CCTA 斑塊分析的基礎上通過聯合CT-FFR功能學指標和斑塊參數進一步預測了斑塊進展。Kurata[23]基于深度學習評估了CT-FFR診斷冠脈狹窄的準確性。研究表明CT-FFR與通過壓力導絲測量的FFR具有較好一致性且CT-FFR檢查平均耗時為16.4±7.5分鐘，實現了對冠脈狹窄功能學的實時評價。同時，Kimura[24]研究表明CT-FFR較通過壓力導絲測量的FFR，降低32% 的治療成本。綜上，CT-FFR結合了CCTA與FFR各自優勢可從解剖和功能兩方面評估冠脈狹窄，避免了對部分患者進行侵入性冠脈造影和腺苷等擴血管藥物的使用，減輕了患者負擔。

目前，已經有不少研究利用深度學習算法分割冠脈造影、CCTA、IVUS和OCT圖像并計算冠脈管腔和斑塊負荷等重要參數，與手動分析有良好的相關性且縮短了分析時間。通過AI對靶病變管壁和斑塊的自動化分析可輔助術者優化PCI手術策略，減少手術時間。此外，深度學習可改善圖像的峰信噪比，進一步提升圖像質量[25]。

AI在PCI術預后評估中的應用

心血管病介入治療過程中風險-獲益評估是對患者進行血運重建治療的決策基礎。運用危險評分可在血運重建前用于預測結果為患者選擇PCI或冠狀動脈旁路移植術治療，也可以預測心肌血運重建后MACE事件的發生率[26]。同時，心血管疾病是由遺傳、環境和行為學多因素共同造成，基于傳統回歸算法的風險預測模型只能分析少量心血管危險因素。如臨床血運重建常用的SYNTAX危險評分，僅基于冠狀動脈解剖特點，未包含與患者預后相關的臨床數據如年齡、吸煙、糖尿病和高血壓等，一些患者雖然具有相同SYNTAX評分，但不同的臨床情況可能對PCI預后產生巨大的差異[27]。而利用機器學習模型全面整合心血管病危險因素和冠脈影像解剖參數，優化了傳統的風險評估模型，識別高風險患者，從而早期進行干預治療。楊躍進[28]團隊基于23173名PCI患者的冠脈影像參數和臨床指標選取了101個臨床變量作為預測因子，利用機器學習構建了PCI術預后MACE風險預測模型，預測PCI患者術后12個月MACE事件的發生率。研究表明基于隨機森林算法構建的PCI術預后MACE預測模型，其準確性、敏感性和AUC值分別為88.66%、79.58%和0.96。可準確預測患者PCI術后MACE事件的發生率，進而輔助醫生為高風險患者制定個性化方案。

綜上，AI可以通過結合影像中高通量數據和患者臨床信息，構建PCI術預后風險評估模型，有助于醫生識別術后MACE高風險人群，從而早期進行干預治療。此外，風險預測會增強患者健康管理意識，激發患者改變不良生活方式，堅持長期服用藥物。

問題與展望

需要指出的是盡管AI在醫學影像自動化解讀和疾病風險預測模型方面取得一定進展，但是在臨床實踐中也面臨著許多挑戰。首先，我國心血管疾病數據庫建設標準不統一且多為單中心，共享性差。而臨床上大多數心血管病風險預測模型都是基于國外的數據庫完成，不能很好的解決我國心血管疾病風險預測如Framingham風險預測模型趨向于高估中國人的冠心病的發病風險[29]。而基于數據構建的AI影像自動分析和風險預測模型的性能很大程度上依賴于數據庫質量，因此，仍需提高我國心血管病數據庫建設的標準化。其次，不同的算法都有自身的局限性如深度學習在小樣本數據集訓練會有過擬合風險致其他數據集部署到該模型時通用性較差[30]。同時，目前仍缺乏對深度學習如何得出某些結論的理解，可解釋性也較差[31]。最后，雖然AI可以迅速完成某種特定目標和任務，但是對于問題不能深入思考，更不能通過交流給予患者精神和心靈上的寬慰，對患者進行人文關懷。

隨著國家醫學數據庫的進一步共享，由數據驅動的AI技術也必將在醫療領域取得更快發展。目前，一系列人工智能產品正在走向臨床應用如正在研發的集IVUS、OCT和FFR功能于一體的血管內檢查手段，尋求一次測量同時獲得多維度臨床信息以解決IVUS、OCT和FFR耗材收費昂貴的問題。以及通過感應冠脈血流動力學變化，實時監測支架內再狹窄的"智能支架"也步入了我們的視野[32]。未來AI輔助下的PCI治療可能體現在術前對患者靶病變血管手術路徑的模擬、手術策略的推薦以及PCI機器人的廣泛應用。為早日實現這一目標，現在依然需要提高醫學數據結構化水平，同時加強跨學科復合型人才的培養來推動AI輔助下的精準PCI治療。