人工智能技術在心臟超聲常規參數測量及左室舒張性慢性心力衰竭診斷中的應用

于立恒,林錫祥,陳 煦,何昆侖

(1.解放軍總醫院醫學大數據研究中心,北京 100853;2.解放軍總醫院研究生院,北京 100853)

慢性心力衰竭(Chronic heart failure,CHF)指多種原因所致心臟結構和(或)功能異常,導致心室收縮和(或)舒張功能發生障礙,血液瘀滯于外周組織,從而引起呼吸困難、咳嗽、體力下降、咯血等癥狀的臨床綜合征[1]。全球約有6400萬CHF患者[2],國內每年約有50萬CHF新發病例[3]。CHF預后較差,5年生存率僅50%左右[4],15年病死率甚至可高達81%[5]。臨床依據CHF發病基礎分為左室收縮性CHF和左室舒張性CHF,其中約1/3表現為左室舒張功能異常[6]。左室舒張性CHF治療有別于收縮性CHF,故識別左室舒張性CHF具有重要臨床意義。心臟超聲檢查可用于心臟結構和功能篩查,具有無輻射、操作簡單且無創等優勢,是當前用于CHF篩查診斷的主要工具。以往眾多研究證實,心臟超聲能通過左室形態和舒張功能篩查,準確判斷CHF左室舒張功能異常狀態和程度[6-7]。然而,傳統的心臟超聲參數解讀需要專業人才完成,受操作人員專業技能影響,造成心臟疾病篩查結果出現明顯差異[8],同時,限制心臟超聲在某些缺少專業超聲醫生的地區和科室使用。在本研究中,我們通過利用大量、多中心的心臟超聲標注數據訓練神經網絡模型,使其在未標注心臟超聲數據上具有良好預測能力,再設計基于數學規則的測量算法自動獲得心臟超聲影像的左室形態和舒張功能參數,有望解決傳統心臟超聲檢查中存在的諸多限制[8-9]。為提高心臟超聲診斷技術在CHF識別的應用效率,本研究對人工智能所測心臟超聲常規參數與高年資心臟超聲醫師所測結果進行對比,并分析了各參數對左室舒張性CHF的診斷價值。現報告如下。

1 資料與方法

1.1 一般資料 選擇2022年1-2月在本院心臟超聲門診接受心臟超聲檢查的410例左室舒張性CHF疑似病例者的心臟超聲圖像,評價人工智能技術生成的心臟常規參數對左室舒張性CHF疑似病例診斷的價值。病例納入標準:臨床資料完整;有多切面心臟超聲圖像;超聲圖像清晰、無偽影,可用于診斷評估。排除標準:先天性心臟病、類風濕性心臟病、肺動脈高壓或肺心病;已接受過心臟同步治療或安裝有心臟起搏器。患者中男211例,女199例;年齡12～94歲,平均(59.19±15.77)歲。本研究符合醫學倫理學標準。

1.2 研究方法

1.2.1 超聲心動圖檢查:采用Philips 7C高端心臟智能彩超儀,超聲探頭頻率設定為2～4 MHz。受檢者取仰臥或左側位,通過調整探頭位置和方向,獲取二維動態視頻心尖四腔心切面(A4c)和心尖二腔心切面(A2c);將采集框置于二尖瓣水平位置,獲取多普勒A4c-MV-PW、A4c-IVS-TDI、A4c-LW-TDI切面;將采集框置于心臟主動脈位置,獲取切面。由一名高年資心臟超聲醫師(從業經驗大于10年)對410例左室舒張性CHF疑似病例者的心臟超聲的不同切面進行測量,獲得以下心臟超聲參數。基于A2c切面和A4c切面采用Simpson方法測得左室舒張末期容積(Left ventricular end-diastolic volume,LVEDV)和左室收縮末期容積(Left ventricular end-systolic volume,LVESV),進而計算得到左室射血分數(Left ventricular ejection fraction,LVEF)。基于調整探頭位置和方向,采集框置于二尖瓣尖端水平,測量二尖瓣舒張早期峰值流速(E峰)、舒張晚期峰值流速(A峰)、二尖瓣環間隔側壁流速(e’);采集框置于心臟主動脈位置,測量主動脈瓣峰值流速(Aortic valve Peak flow wave,AVPW)。計算E/A和E/e’。

1.2.2 人工智能圖像分割模型:收集多中心回顧性心臟超聲數據1000例,從中篩選出200個A4c切面、200個A2c切面、100個A4c-MV-PW切面、50個A4c-IVS-TDI切面、60個A4c-LW-TDI切面、50個A5c-AV-PW切面。然后采用低年資醫生勾畫、高年資醫生審核的模式對這些切面進行人工標注。對于二維動態視頻切面(A4c和A2c)在每一幀圖像上勾畫左室內膜、右室內膜、左房內膜、右房內膜等;對于多普勒頻譜切面(A4c-MV-PW、A4c-IVS-TDI、A4c-LW-TDI和A5c-AV-PW)勾畫頻譜輪廓(圖1)。

圖1 二維視頻切面和多普勒頻譜切面標注示例

基于以上人工標注數據,本研究訓練圖像分割卷積神經網絡模型2D CBAM-TUNet[10-14]用來分割二維視頻切面,訓練神經網絡模型2D UNet[10]用來分割頻譜切面。作為醫學影像分割領域的經典模型,如圖2所示,UNet的主體架構包括編碼器和解碼器兩部分,編碼器和解碼器通過跳躍連接進行信息融合。心臟超聲二維視頻切面(A4c和A2c)是反映心臟結構和運動功能的重要切面。本科室在UNet上做了如下改進:在UNet的每級編碼器中加入卷積長短期記憶網絡(ConvLSTM)層[11]用來有效融合空間上下文信息和時間上下文信息。ConvLSTM是LSTM層的變體,將原始LSTM層的全連接操作改為了卷積操作[13],使其具有了空間信息的記憶能力;同時,為了提升分割模型的特征動態選擇能力,在每級解碼器中加入了雙重注意力模塊Convolutional Block Attention Module(CBAM)[12]:通道注意力和空間注意力。

A圖:UNet神經網絡構架;B圖:CBAM神經網絡模塊圖2 UNet的主體架構

1.2.3 心臟超聲參數測量:用訓練完成的人工智能分割模型預測每例受試者心臟超聲圖像(共410例),獲得左室內外膜、多普勒頻譜輪廓等,然后設計專門的心臟結構和功能參數計算算法,計算得到心臟超聲常規參數,具體步驟如下所述。基于A2C/A4C的分割結果,選取舒張末期和收縮末期的圖像幀,根據辛普森法[15]計算出對應的舒張末期左心室容積(LVEDV)和收縮末期左心室容積(LVESV),通過公式LVEF =(LVEDV-LVESV)/LVEDV×100%進一步求出左室射血分數。基于多普勒頻譜分割結果,分別計算出E峰、A峰、e’峰和AVPW的值。

1.3 統計學方法 采用SPSS 22.0統計軟件分析所得超聲參數。符合正態分布的計量資料一致性分析采用組內相關系數(ICC)法;偏差分析采用Bland-Altman分析;診斷價值用受試者工作特征(ROC)曲線分析;P<0.05為差異具有統計學意義。

2 結 果

2.1 兩種方法所測受試者超聲參數的一致性 人工智能與醫師所測心臟超聲參數LVEDV、LVESV、LVEF間一致性一般(0.60≤ICC<0.80),E/A、E/e’、AVPW一致性極好(ICC≥0.80),見表1。

表1 兩種方法所測受試者超聲參數的一致性分析

2.2 兩種方法所測受試者超聲參數的偏差 Bland-Altman分析表明,人工智能與醫師所測心臟超聲參數LVEDV、LVESV、LVEF間偏差較大,平均偏差分別為-16.9%(95%CI:-31.7%～-1.7%)、-7.0%(-18.3%～1.3%)和1.0%(-5.6%～2.9%),E/A、E/e’、AVPW間偏差較低,平均偏差分別為0.0%(-0.09%～0.19%)、-0.4%(-1.6%～2.1%)和-0.0%(-0.09%～0.15%)。見圖3。

圖3 兩種測定方法所測超聲參數的Bland-Altman圖

2.3 人工智能所測超聲參數在左室舒張性CHF診斷中的價值 以臨床醫師診斷結果為依據,進行ROC曲線分析,結果顯示,人工智能所測E/A、E/e’、AVPW均對左心室舒張性CHF具有一定診斷價值(均P<0.05),見表2。

表2 人工智能所測超聲參數在左室舒張性CHF診斷中的價值

3 討 論

傳統心臟超聲檢查圖像結果解讀主要依靠超聲醫師,不僅耗時,需要專業型人才,限制了其在非超聲專業科室及基層等缺乏專業超聲醫生等領域的應用,而且超聲診斷結果容易受醫師主觀性影響,導致診斷標準無法統一。鑒于此,本研究利用多中心數據建立了一種基于3D UNet分割網絡技術的心臟超聲測量模型并對重要參數的測量結果和高年資醫生進行了對比,最后分析了部分參數在CHF中的診斷價值。左心室超聲圖像的準確分割是評價心臟功能的根本保障。神經網絡屬于常見的人工智能算法,是一種選用多層前饋神經網絡系統,通過模擬人類大腦神經元運行方式,從而準確預測臨床事件的人工智能技術[16]。

3D Unet是一種基于PyTorch的開源框架,專門用于醫療影像學習領域的技術[17]。基于3D UNet神經網絡開發的人工智能心臟超聲分析模型,可將預先獲取的待分割的3D心臟超聲圖像進行房室和心肌分割;然后采用2D UNet神經網絡對血池進行分割,去除血池分割圖像中屬于房室部分的圖像;最后,依據獲得的血管圖像對心臟分割圖像進行優化,獲得心臟掩膜。

LVEDV、LVESV、LVEF、E/A、E/e’、AVPW均是心臟超聲常規測量的重要參數。國內相關報道顯示,與健康人群相比,LVEF保留型CHF患者LVEDV、LVESV、LVEF水平均未出現明顯變化,但E/A水平明顯下降,E/e’和AVPW水平明顯升高[18-19]。國外有報道顯示,即便在LVEF保留型CHF患者體內,LVEDV和LVESV指數亦存在明顯變化,且其變化與不良事件發生有關,可作為判斷患者預后的指標。本研究采用一致性分析和偏差分析法,對人工智能心臟超聲軟件模型的性能進行了測試。結果顯示,人工智能所測2D超聲參數LVEDV、LVESV、LVEF與高年資超聲醫師所測結果間一致性一般(0.60≤ICC<0.80),我們研究發現,受局部圖像質量,特別是心尖不清楚時,LVEDV測量的偏差會明顯增大。盡管EDV比ESV的偏差相對較大(-16.9% 與-7.0%)LVEF的整體偏差不會受太大的影響(1.0%)。另外,我們發現模型E/A、E/e’、AVPW與高年資超聲醫師所測結果間一致性更好(ICC≥0.80),偏差較低,僅為0.0%、-0.4%和-0.0%。總之,基于3D UNet分割網絡技術的人工智能心臟超聲數據軟件模型所測的關鍵超聲參數可達到與高年資超聲醫師相當水平,有望成為替代超聲醫師進行超聲心臟檢查結果的解讀。

左室舒張功能異常是CHF發生發展的主要病理基礎之一,臨床約1/3CHF表現出左室舒張功能下降。相關報道顯示,左室舒張性CHF患者E/A相較于健康人群明顯下降,而E/e’、AVPW相較于健康人群明顯升高。結果顯示,人工智能所測E/A、E/e’、AVPW均對左心室舒張性CHF具有一定診斷價值(AUC>0.5)。眾所周知,左心室舒張性CHF的診斷需要臨床癥狀、實驗室指標及影像學的共同判定,在臨床上診斷有一定難度。盡管我們的研究證明了自動化測量的關鍵參數對于CHF診斷具有一定的價值,但最終診斷應結合臨床。

綜上所述,人工智能可快速識別并處理心臟超聲檢查結果,自動計算常規超聲參數,且某些常規參數可以與高年資超聲醫師結果高度一致,有望用于輔助左室舒張性CHF的臨床診斷。