基于隨機森林算法構建冠心病人群左心室舒張功能不全的診斷模型

劉夢怡 馬紅 林靜茹 朱振輝 陸敏杰 吳偉春 王浩

目前心血管疾病依然是我國城鄉居民死亡的首要原因，其中冠心病占據了重要地位[1]。左心室舒張功能不全作為冠心病預后不良的獨立危險因素，發病率高，合并出現時心力衰竭住院率及全因死亡率上升[2-3]。

超聲心動圖檢查簡單、便捷，能夠實時反映心臟結構及血液動力學信息，是評估左心室舒張功能的首選方法[4]。現行的評估指南—2016 年美國超聲心動圖學會發布的《關于評估左心室舒張功能不全的建議》（簡稱2016 年舒張功能指南），較2009 年舒張功能指南精簡了評估指標和流程，但仍無法平衡多參數評估與快速精準的診療需求間的矛盾[4-5]。人工智能的強大計算能力和自我學習機制符合心臟舒張功能評估的應用場景，或可解決多參數評估耗時增加、診斷流程繁瑣的難點[6-7]。本研究以左心導管檢查為分類依據，收集多項冠心病患者的臨床特征和超聲心動圖特征，旨在搭建預測冠心病人群左心室舒張功能不全的模型，并與2016 年舒張功能指南進行比較，觀察引入人工智能模型對左心室舒張功能評估的影響。

1 資料與方法

研究對象：回顧性納入2013 年10 月至2014年7 月在中國醫學科學院阜外醫院行左心室造影及冠狀動脈造影的84 例冠心病患者，及30 例性別和年齡匹配的健康志愿者。所有研究對象均為竇性心律。排除標準包括：（1）病歷資料及超聲心動圖圖像缺失；（2）嚴重二尖瓣或主動脈瓣疾病；（3）呼吸困難無法屏氣10～15 s；（4）心房顫動或撲動、左/右束支阻滯或植入心臟起搏器；（5）左心室射血分數＜55%。收集患者的臨床信息（基本人口學特征、病史、手術史、藥物使用情況）、常規超聲心動圖及應變成像參數及左心導管數值。本研究通過中國醫學科學院阜外醫院倫理審查委員會批準（批件編號：2022-1893）。

數據獲取：由超聲心動圖醫師進行檢查及結果判讀。檢查時患者取左側臥位，按要求進行呼吸配合，并連接心電圖。采用Vivid E9 超聲診斷儀（通用公司，美國），選用2.5～3.5 MHz 相控陣探頭，獲取胸骨旁長軸、短軸及心尖四腔心、兩腔心、長軸切面圖像，記錄至少4 個心動周期，并以醫學數字成像和通信（DICOM）格式保存以進行離線分析。所有冠心病患者在24 h 內進行左心導管檢查及超聲心動圖檢查，健康志愿者默認左心導管檢查血液動力學參數正常。基本人口學特征、病史、手術史及藥物使用情況由專人從病歷系統錄入。

模型搭建：以左心導管數值為參照，人工標注114 例研究對象，左心室舒張末期壓力（LVEDP）≤15 mmHg（1 mmHg=0.133 kPa）為舒張功能正常（n=67），LVEDP＞15 mmHg為舒張功能異常（n=47）。對所有研究對象編號，由計算機按5:5 的比例隨機選擇編號形成訓練組（n=57）及測試組（n=57）。整合15 項臨床特征及13 項超聲心動圖特征用于隨機森林（RF）算法模型搭建（表1）。

表1 用于搭建隨機森林模型的15 項臨床特征及13 項超聲心動圖特征

采用Python 語言編寫程序，直接調用開源scikit-learn 機器學習包完成模型算法的訓練和測試。使用RF 建模，過程中采取16 棵樹構建森林。在訓練組搭建模型，在測試組驗證診斷能力。為保證模型的準確性，將以上訓練和測試流程循環100 次，取平均AUC 等結果作為診斷效能參考依據（圖1）。

圖1 建立隨機森林預測模型的流程圖

統計學方法：所有數據采用SPSS 26.0 進行分析，分類變量用百分比或絕對數表示，用卡方檢驗進行分析，連續變量用均值±標準差表示，用t 檢驗進行分析。計算靈敏度、特異度、陽性預測值、陰性預測值、F1 分數及平均準確率等指標評價模型的預測效能。同時繪制ROC 曲線，計算AUC 評價模型的診斷能力。計算Kappa 值評價模型及指南與左心導管檢查間的一致性。假設檢驗均為雙邊，P＜0.05 為差異有統計學意義。

2 結果

2.1 應用RF 預測模型評估冠心病合并左心室舒張功能不全人群

RF 模型預測冠心病人群合并左心室舒張功能不全的靈敏度、特異度、陽性預測值及陰性預測值分別為89.5%、95.6%、93.3%、93.0%，F1 分數為95.5%，平均準確度達92.9%。與有創的左心導管檢查之間Kappa 值為0.85。對所有研究對象均可分類。RF 預測模型的ROC 曲線見圖2，AUC 為0.95。

圖2 隨機森林模型預測冠心病合并左心室舒張功能不全人群的ROC 曲線圖

2.2 應用2016 年舒張功能指南評估冠心病合并左心室舒張功能不全人群

本研究應用2016 年舒張功能指南評估冠心病患者是否合并左心室舒張功能不全，22 例（19.3%）研究對象無法明確是否存在左心室舒張功能不全。因為大多數（86.4%，19/22）無法明確診斷的研究對象經左心導管測值證實合并左心室舒張功能不全，本研究將其視為指南評估舒張功能不全陽性，其靈敏度、特異度、陽性預測值及陰性預測值分別為44.7%、88.0%、72.4%、69.4%，Kappa 值為0.35。

3 討論

本研究初步證明了應用RF 模型對冠心病合并左心室舒張功能不全人群進行分類預測的可行性，最終平均診斷準確度達92.9%，F1 分數為95.5%，表明該模型具有良好的診斷效能。本模型構建共使用28 種特征參數，人類的思維分析及計算能力難以在短時間內準確評價多個指標，而將所需數據輸入搭建完成并調試成功的人工智能模型，幾毫秒內即可輸出預測結果。

國內外應用人工智能方法預測冠心病人群左心室舒張功能研究較少。既往研究多通過無監督學習的聚類方法構建模型，且無金標準進行驗證[8-10]。Lancaster 等[9]的研究與2016 年舒張功能指南間的Kappa 值為0.41。本研究選擇RF 進行監督學習，以金標準為參照，Kappa 值為0.85，有效提高左心室舒張功能不全的診斷準確性。

本研究建模時以LVEDP 作為參照，對既往指南的評估準確性進行驗證[4]。RF 模型Kappa 值為0.85，與左心導管檢查一致性較好，對所有研究對象均可進行二分類預測，不存在無法明確診斷的灰色區間。應用2016 年舒張功能指南評估冠心病人群是否合并左心室舒張功能不全，靈敏度較低，特異度較高，Kappa 值為0.35，與左心導管檢查一致性較差，且存在19.3%的患者處于灰色區間無法判斷，與既往文獻結果一致[11-12]。RF 模型與2016 年舒張功能指南對比，其診斷準確度及一致性上升，差異具有統計學意義（P＜0.05）。綜上，應用人工智能模型對于評估冠心病合并左心室舒張功能不全人群有積極影響，證明了人工智能輔助判斷左心室舒張功能的應用潛力[13]。

本研究依然存在局限性。第一，本研究樣本量小，模型可能存在過度擬合。第二，缺乏外部驗證組，無法判斷該模型在其他冠心病人群中的表現。第三，訓練對象為臨床數據及超聲心動圖參數，缺乏對圖像的直接訓練。前者均為文本數據，信息模式相對簡單，對人工智能算法要求不高，但需要人工測量及讀取圖像數據并輸入模型[14-15]。后者需要應用深度學習方法對高維圖像信息進行學習分析，包括識別不同超聲切面、分割感興趣區、提取圖像特征及建立模型等步驟，過程復雜，但自動提取圖像信息分析預測可以減少人為干預因素，增加檢查者間的診斷一致性[16-18]。未來我們會納入更多研究對象，并嘗試利用深度學習對圖像建模。

總之，本研究初步證明了人工智能模型可以實現預測冠心病合并左心室舒張功能不全人群，且準確度較高，與左心導管檢查一致性較好。通過引入人工智能模型可以提高診斷準確度，證實了人工智能在自動精準預測左心室舒張功能方面的廣闊前景。

利益沖突：所有作者均聲明不存在利益沖突