人工智能在房顫診療中的應用進展

何斌 儲慧民

房顫是最常見的心律失常,可增加腦卒中、心力衰竭及死亡風險[1],其早期識別、診斷和治療仍存在一定挑戰。 傳統的篩查手段具有較大局限性,大大低估了房顫的患病率。 近年來,隨著監測技術的不斷進步,房顫人群基數越來越大;醫生需要面對大量患者的臨床數據(包括用藥信息等),并基于這些資料為他們制定個體化的治療方案,但運用傳統的統計學工具處理大數據存在較大難度。 人工智能(artificial intelligence,AI)算法能很好地彌補上述缺陷,近年來開始在房顫診療領域嶄露頭角。

1 常用的人工智能技術

AI 是計算機科學的一個分支,是使機器模仿人類智力處理問題,包括機器學習(machine learning,ML)和深度學習(deep learning, DL)等。 AI 的工作模式見圖1。

圖1 人工智能的工作模式示意圖

ML 作為一門交叉學科,是在統計學和計算機科學的交互作用下產生的,主要研究計算機怎樣模擬或實現人類的學習行為,以獲取新的知識或技能,重新組織已有的知識結構,從而不斷完善自身的性能。 ML 的過程可大致分為數據預處理、特征提取、數據分類、模擬訓練及優化。 ML 主要分為監督式學習、非監督式學習和強化學習三種基本類型:監督式學習是依靠正確標簽的訓練資料,根據輸入值得到可能的輸出(預測或分類),常用于疾病的診斷和預測;非監督式學習不需要預測結果,主要是為發現數據集中不同變量之間的運算結果或相關關系,常應用于患者的個體化分類管理;強化學習是通過給定的輸入數據和結果進行循環試驗學習的行為,目前在醫學領域應用較少,未來可能在患者個體化用藥指導方面有較大的應用前景。

DL 是ML 研究的一個新領域,目的在于構建與人類大腦類似的神經網絡,包括神經網絡(neural network,NN)和卷積神經網絡(convolution neural network, CNN)等。 NN 是一種模擬人腦對眾多信號進行整合計算的數學模型,可以對復雜信息進行簡單的統籌處理。 CNN 是DL 模型中應用最廣泛的一種,能夠仿造生物的視覺和知覺機制,通過多次卷積計算對數據集特征進行分類提取,并依靠模型認知能力得到結果,常用于臨床圖像采集、處理和解析。 相較于ML,DL 具有以下優點:①數據處理精確度更高;②可以使用更多數據進行更好的擴展;③不需要輸入復雜的特征參數,而可以直接處理數據;④適應性強,易于在不同領域間切換。 但DL 同時具有以下缺點:①需要較大的數據集,②需要高端的圖形處理器,其價格昂貴,③DL 模型是“黑匣子”型,很難了解其“內部”。

2 人工智能在房顫診斷中的應用

傳統的房顫診斷方法主要有心臟查體及心電圖等。 12 導聯心電圖是診斷房顫的金標準,根據心電圖的RR 間期及P 波來診斷。 但是由于房顫患者數量急劇增多,醫生對于大量心電圖有時無法做出及時診斷。 此外,部分患者為陣發性房顫,普通12 導聯心電圖或24 h 動態心電圖可能因無法記錄到房顫發作而造成漏診。 植入型心電事件記錄儀可將監測時間延長至3 年,但價格昂貴,且為有創操作,給患者及臨床工作造成負擔。 如果房顫患者未能及時確診,就不能接受抗凝等治療,甚至造成血栓栓塞事件,后果十分嚴重。 因此,無論是醫生還是患者都亟需一種無創、廉價、簡便的房顫監測手段。

2.1 房顫篩查

基于ML 的診斷方法可提高對心電數據特征的提取能力,在12 導聯或單導聯心電圖上能夠準確識別心律的變化情況。 HANNUN 等[2]將91 232 份單導聯心電圖記錄導入CNN 中,創建出一個模型用于區分包括房顫在內的12 種不同的心律,發現該模型預測心律的曲線下面積高達0.91。 隨后,該模型被整合成NN 軟件并編碼進可穿戴設備中,通過光電容積脈搏波采集信號,再根據信號進行心律分析[3-5]。 美國蘋果公司開展了一項應用可穿戴設備進行房顫監測的臨床研究(Apple Heart Study),納入419 297 例參與者,所有被該設備識別出有房顫發作的對象均接受心電圖檢查,其中34%被確診為房顫,陽性預測值84%[4]。 國內利用智能手環篩查房顫的研究(HUAWEI Heart Study)結果也已公布,在187 912 例使用智能手環的人群中篩查出424 例“疑似房顫”患者,其中262 例接受醫療機構的檢查,共確診227 例房顫,陽性預測值達91.6%[3]。目前,通過可穿戴設備還可以記錄心電圖,如Apple Watch Kardiaband 搭配蘋果手表即可記錄單導聯心電圖。 一項納入24 例陣發性房顫患者的研究顯示,該設備識別房顫發作時間≥1 h 的敏感性達97.5%[6]。 上述研究證實了可穿戴設備應用于房顫監測的可行性。

2.2 房顫預測

在房顫發生前,心房結構可能已經出現改變,如心肌肥大、纖維化等,導致微弱的心電改變,從而表現在心電圖上。 研究顯示,AI 或可從正常節律的心電圖中識別房顫。 2019 年ATTIA 等[7]在《柳葉刀》雜志上報道了他們研發的一種AI 模型,其可從患者竇性心律心電圖中發現房顫跡象。 該研究納入18.1 萬例患者的65 萬份心電圖(標準12 導聯,持續10 s),按照是否患有房顫分為兩組,再通過構建NN 模型來識別竇性心律心電圖的細微變化;心電圖數據被分為三組,即訓練組(70%)、內部驗證組(10%)和測試組(20%)。 該研究最終發現,AI 模型預測房顫的準確率高達83%[7]。 上述研究提示,AI 用于心電圖分析可以準確識別房顫,即使記錄心電圖時房顫尚未發作,AI 模型也能根據細微的心電圖變化篩查出潛在的房顫患者。

上述研究結果提示,隨著AI 技術的不斷發展,在房顫發病早期就可以通過分析竇性心律心電圖識別房顫高危患者。 對于這些患者建議佩戴可穿戴設備,一旦發現異常就能及時就診,更為快速、經濟、無創且簡便。

3 人工智能在房顫個體化治療中的應用

3.1 左心房三維影像構建及其纖維化或瘢痕程度的自動識別

導管消融術是治療房顫的有效手段。 消融術前通過影像學檢查評估左心房情況以及相關解剖非常必要,但是人工處理影像學數據將耗費大量時間,且可能造成一定誤差[8-9],而AI 技術可以很好地滿足這一需求[10]。 國內大部分中心在術前會進行左心房CT 檢查以明確肺靜脈解剖。 CHEN 等[11]通過深度CNN 構建,自動識別CT 影像并重建左心房三維解剖結構模型(圖2A),發現該模型識別CT影像中左心房結構的準確率達99.0%,敏感性99.3%,特異性98.7%。

近年來,心臟磁共振技術在房顫患者中的應用逐漸增多,通過數據定量分析、三維重建并結合延遲釓增強序列,可評估左心房纖維化程度,指導房顫消融策略的制定。 BAI 等[8]使用一種CNN 圖像分割算法處理5 008 例患者的心臟磁共振圖像序列;與人工處理相比,CNN 在不降低圖像識別準確度的同時,還能顯著縮短處理時間(圖2B)。

此外,AI 在左心房瘢痕區域識別上也有較大優勢。 VALINOTI 等[12]使用DL 技術對左心房分割影像和左心房瘢痕區識別進行自動整合(圖2C),并將處理結果導入三維指導系統,有助于減少手術時間和開展個體化消融。 SHADE 等[13]的研究納入32例陣發性房顫患者,在消融術前行心臟磁共振檢查,構建左心房三維圖像并識別纖維化區域,隨后進行左心房各部位起搏以嘗試誘發房顫;利用ML對磁共振檢查和左心房起搏結果進行分析并構建預測模型,結果發現該模型預測消融術后房顫復發的敏感性82%,特異性89%。

圖2 人工智能在房顫消融術前影像學檢查中的應用

上述研究表明,AI 應用于房顫消融術前影像學檢查具有獨特優勢。 盡管上述技術具有較好的應用前景,但仍需在解剖結構不同的患者中進行驗證,從而得出相關參數的標準區間。

3.2 左心房時間-空間激動模型的自動分析

房顫消融術中需對左心房進行電生理基質標測,而不同術者對結果的解釋往往存在較大的主觀性,導致消融術式出現差異。 近年來,AI 逐漸用于標測結果分析,通過ML 自動分析左心房時間-空間激動模型以指導消融。 ALHUSSEINI 等[14]通過訓練監督學習CNN 對35 例持續性房顫患者進行數據分類,以識別可終止房顫的有效消融位點,最終發現該模型預測的準確率達95%。 既往研究顯示,存在肺靜脈以外的觸發灶是消融術后房顫復發的重要預測因子,對這些觸發灶進行消融可以提高手術成功率。 LIU 等[15]納入358 例接受導管消融術且術后1 年未復發房顫的陣發性房顫患者,根據是否存在肺靜脈外觸發灶分為兩組,并應用DL 分析消融前肺靜脈CT 影像、預測肺靜脈外觸發灶的存在情況,發現該模型預測的準確率達(82.4 ±2.0)%,敏感性(64.3 ±5.4)%,特異性(88.4 ±1.9)%。

3.3 患者的個體化分類管理

近年來,歐洲心臟病學會、美國心臟協會等發布的房顫指南均強調個體化綜合管理,包括癥狀管理、藥物治療(控制心室率、抗心律失常及抗凝藥物) 以及器械治療(左心耳封堵及起搏治療)等[16-17]。 在HUAWEI Heart Study 中,95.1%經智能手環篩查及醫療機構確診的房顫患者進入管理平臺,該平臺基于智能手環及手機應用軟件對房顫患者進行綜合管理,入選患者中80%的房顫高危人群接受了抗凝治療[3]。 傳統的監督學習通過房顫類型等特定的標準對患者進行分類,這樣做盡管可以提升房顫管理效率,但無法全面反映患者之間的個體化差異。 目前,無監督AI 技術已開始應用于房顫管理,由于沒有標準的分類方法,因此有可能從患者資料中挖掘出數據亮點,并實行個體化分類管理。 INOHARA 等[18]納入約10 000 例患者,根據基線資料將其分為4 類:①危險因素及合并疾病較少的房顫患者;②年輕和(或)共存行為障礙的房顫患者;③合并快慢綜合征、需植入器械治療的房顫患者;④合并冠狀動脈疾病、急性心肌梗死和(或)動脈粥樣硬化的房顫患者。 該研究表明,相較于第一類患者,其余三類患者的主要心血管事件、神經系統事件以及主要出血事件的發生風險更高,須引起臨床醫生的關注[18]。

3.4 督促規范化用藥和監測服藥安全性

AI 技術不僅可以在患者的風險評估及分組管理中發揮作用,還有助于督促患者規范化用藥。 在過去的十年間,新型口服抗凝藥物的應用越來越廣泛,大有取代華法林的趨勢,但部分患者(終末期腎臟病、瓣膜性房顫患者等)仍只能服用華法林進行抗凝。 不同個體應用華法林的起始劑量不一,給華法林抗凝治療帶來挑戰,而ML 算法可基于人口學、臨床以及藥學數據,為不同個體給出適宜的華法林用量[19-20]。 此外,患者服用抗凝藥物的依從性較差,相當一部分患者服用一段時間后自行停藥。 隨著新型口服抗凝藥應用于臨床,服藥依從性有一定提升,但幅度不大[21]。 LABOVITZ 等[22]使用智能手機與AI 技術相結合的方式對患者服藥進行干預,通過視頻監督確認患者已服藥,結果發現干預組患者服藥依從性高達100%,而傳統方式服藥組僅50%。

房顫患者常使用抗心律失常藥物,因此需要密切監測心率、QT 間期等,并根據QT 間期、是否聯用致QT 間期延長藥物及腎功能情況等因素調整用藥,以防出現致心律失常作用等不良反應。 然而,僅通過QT 間期無法準確掌握患者的血藥濃度,ATTIA等[23]的一項研究將DL 和NN 應用于體表心電圖分析,發現其在預測抗心律失常藥物多非利特的血藥濃度上優于單純分析QT 間期,且DL 模型對血藥濃度的預測值與真實值之間具有很好的相關性(r=0.85)。 LEVY 等[24]通過ML 模型得出每位患者多非利特的服藥劑量,準確率高達96.1%。

4 目前的挑戰

龐大的數據使AI 模型給出的臨床決策更具說服力,但目前AI 應用于臨床的局限性也十分突出。第一,醫學倫理問題。 大量的數據包含了患者的臨床資料,部分信息可能涉及隱私,因此,使用這些數據之前最好取得患者的知情同意。 但由于樣本量龐大,無疑會極大地增加工作量。 第二,數據質量問題。 海量數據是AI 模型的基礎,數據的準確采集至關重要。 如果采集的數據存在不同程度的質量問題,那么直接用于AI 模型得到的結果準確性自然偏低,導致模型無法推廣到全人群。 例如本文多次提及的心電圖數據,心電圖導聯放置位置、心電圖波形質量的衡量標準可能因檢查人員的不同而出現差異,以致獲得的心電圖質量參差不齊。 由此可見,數據采集過程中的標準化至關重要。 第三,ML的“黑匣子”問題。 輸入數據后,模型輸出預測結果,但是我們并不清楚機器的處理過程。 加之目前AI 算法一般是由信息技術人員研發,很少有臨床醫生參與,因此得出的結論可能缺乏臨床實用價值。 在醫學領域,循證證據至關重要,僅憑ML 得出的臨床建議可能很難被臨床采納。 第四,結果推廣問題。 目前AI 的臨床應用仍處于初級階段,許多算法僅基于單一數據庫進行研究,納入人群的廣度可能有一定的局限性。 此外,對同一種疾病的預測可能存在多種算法,關于其是否適用于不同人群、算法之間能否整合,目前尚不可知。 上述因素在很大程度上限制了AI 模型結果在全人群中的推廣。

5 總結和展望

在心電生理領域,AI 的應用近年來越來越廣泛,尤其在房顫診療方面。 隨著AI 監測及診斷技術的不斷進步,各式各樣的可穿戴設備進入我們的生活,用于房顫節律和心率管理。 此外,人們也開始探索AI 在房顫消融術中的應用。 對于術前影像學數據的處理,AI 具有獨特優勢,可以幫助評估心房纖維化程度、自動標測腔內基質等。 相信隨著技術的不斷進步和革新,未來AI 將在房顫診療中占有一席之地。