人工智能在心血管影像中應用現狀

李夢婷, 晉 軍

1.重慶大學 生物工程學院,重慶 400044;2.陸軍軍醫大學第二附屬醫院 心血管內科,重慶 400037

心血管疾病的致死率較高［1］,早期發現有助于改善臨床結局。心血管影像是檢查心血管異常的重要依據,主要包括超聲成像、磁共振成像(magnetic resonance imaging,MRI)、冠狀動脈CT造影、放射性核素成像。但醫學影像的標記和人工判讀工作量大,高度依賴于專業醫師的水平,且存在誤診、漏診、耗時等問題。人工智能和大數據的不斷發展,使計算機輔助診斷成為可能。在醫學領域,人工智能已經被成功應用于影像診斷［2］、電子病歷診斷［3］、疾病的篩查［4］和預測［5］等。人工智能與心血管影像相結合,不僅可以提高影像的分割精度,幫助醫師進行智能化的臨床決策,還能簡化工作流程,提高速度和效率,是當前研究的熱點。本文對人工智能在心血管影像中的應用現狀進行綜述,旨在為未來研究提供一定參考。

1 人工智能概述

人工智能是一門新的技術學科,利用計算機和機器模仿人類思維來解決問題,并做出決策。機器學習作為人工智能的重要分支,基于大量數據模擬、延伸和擴展了人的智能。人工神經網絡(artificial neural network,ANN)是機器學習的一個流行算法,可以模擬人腦結構及功能。根據處理任務的不同,最優的網絡結構有所不同,主要區別于網絡層數、神經元個數,以及網絡的連接方式。機器學習按照學習方式分類,大致可以分為監督學習和無監督學習。監督學習的訓練集帶有標簽,常用于回歸和分類問題;無監督學習的訓練集無任何標記,常見的算法有聚類和降維。在醫學領域,監督學習所需的精確標簽依賴于專業人員,耗時耗力,無監督學習使利用大量未標記的醫學數據成為可能［6］。

進入21世紀后,深度學習作為機器學習的延伸,迅速發展。深度學習的網絡結構以ANN為基礎,是一種具有多層神經網絡的深度結構。與傳統的機器學習比較,深度學習無需大量預處理和手動提取特征,可以在不丟失信息的情況下,自動提取人類難以辨別的特征,實現端到端的學習,在細微模式的復雜識別中展現出巨大的潛能。卷積神經網絡(convolutional neural networks,CNN)是經典的前饋神經網絡,由輸入層、卷積層、池化層、全連接層和輸出層組成,由于其具有深度結構和卷積計算,在學習隱藏特征方面表現出色。CNN結構圖見圖1。

圖1 CNN結構圖

隨著不同的功能需求,深度學習算法也層出不窮,如用于無監督學習的生成對抗網絡(generative adversarial networks,GAN),處理序列數據具有優勢的循環神經網絡,以及在計算機視覺領域表現突出的Transformer模型。語義分割可以將醫學影像轉為有意義的空間結構信息,實現圖像分析和量化,是許多臨床應用中必不可少的要素［7］。這種像素級別的分割不僅要實現目標識別,還能精確描繪物體邊界。目前,U-Net網絡被廣泛應用在各項醫學圖像分割任務中。

2 人工智能在心血管影像的應用

近年來,隨著心血管疾病發病率的不斷上升,心血管影像數據也在逐年攀升,這給人工分析帶來了較大的挑戰。人工智能可以檢測出許多人眼注意不到的細節,在心血管影像的應用主要集中在圖像采集的優化、提高成像質量、改進分割、識別心臟結構、快速量化心臟功能、輔助診斷和疾病預測等方面。

2.1 心血管超聲成像 超聲心動圖可以捕獲心臟及周圍結構的時間和空間分辨率圖像,且具有價格低、檢查簡便快捷、無創、無輻射、動態實時等優點。

超聲心動圖由于輪廓不清晰、斑點噪聲較大,使傳統的人工分割存在耗時較長、誤差較大等問題,基于深度學習的自動分割算法可以解決此問題。曹冬平等［8］通過改進YOLACT實例分割模型,利用心臟幾何信息增強分割效果,避免了CNN帶來的全局位置信息丟失,減少心房心室差異小帶來的分類錯誤,在保證準確度的同時,實時分割速度達到了27幀/s。還有一項基于多隊列的研究利用深度學習算法評估超聲心動圖,左心室和左心房分割的平均Dice系數>0.93［9］。另外一項研究報道,深度學習可以指導未經培訓的新手診斷經胸超聲心動圖,以評估左右心室的大小、功能及心肌包液［10］,其對于資源匱乏的偏遠地區,具有很大的應用價值,但安全性和穩定性仍需進一步驗證。

心臟結構的分割是量化心臟功能的基礎,心功能參數的評估可以為臨床診斷提供更多參考信息。Zamzmi等［11］提出輕量級的三邊注意力網絡TaNet,實現了超聲心動圖的實時分割,并量化了下腔靜脈直徑、射血分數(ejection fractions,EF)、右心房壓力、左心室內徑、后壁厚度等參數。受試者工作特征曲線下面積(area under curve,AUC)是評價模型性能的常用指標。Ghorbani等［12］開發EchoNet深度學習模型,不僅能從超聲心動視頻采樣的圖像中預測患者的年齡、性別、體質量和身高,還能準確識別起搏器導聯線(AUC=0.89)、左心室肥厚(AUC=0.75)、左心房擴大(AUC=0.86),并預測左心室EF、收縮末期容積和舒張末期容積。

除了心臟分割,超聲心動圖還能用于多種疾病的預測。Laumer等［13］采用多中心的超聲心動圖視頻開發和訓練模型,用于區分Takotsubo綜合征和急性心肌梗死,算法的平均性能(AUC=0.79)優于心臟病專家委員會(AUC=0.71)。左心室肥厚與高血壓密切相關,會導致心力衰竭、中風等危險。Madani等［14］在超聲心動圖中用CNN和半監督GAN預測了二元左心室肥厚,準確率分別為91.2%和92.3%,證明了半監督學習深度學習模型從標記和未標記數據中學習的能力。此外,深度學習算法還能基于超聲心動圖視頻篩查4種常見的瓣膜性心臟病［15］。

頸動脈超聲可以檢測頸動脈內膜中層厚度、斑塊直徑和動脈僵硬度,常用于頸動脈粥樣硬化的早期診斷。Jain等［16］利用Attention-UNet識別頸內動脈和頸總動脈圖像中的頸動脈斑塊,并在多民族、多中心數據集上進行測試,結果表明,模型(AUC=0.97)能在明亮或模糊的圖像中捕捉斑塊區域。此外,將CNN和遷移學習應用于頸動脈超聲,還能實現中風的早期檢測［17］。

心血管內超聲將無創的超聲技術與有創的導管技術相結合,能準確評估斑塊組成、管腔尺寸、動脈狹窄等冠狀動脈病變。Nishi等［18］以DeepLabv3模型為主體,使用金字塔池化模塊提取多個尺度的特征圖,開發了一種血管內超聲分割模型,用于心血管內超聲管腔、血管、支架區域的自動分割。算法結果與專家手動分割具有較高一致性,這證明了人工智能輔助冠狀動脈支架植入患者的心血管內超聲評估的可能性,具有重要的臨床意義。

2.2 CT成像 與超聲心動圖比較,計算機斷層掃描(computed tomography,CT)的清晰度和分辨率更高,是輔助醫師診斷心血管疾病的強大工具。冠狀動脈鈣化(coronary artery calcification,CAC)是檢測動脈粥樣硬化和多種心血管疾病的關鍵指標,但人工操作十分耗時,且存在信息丟失。Zeleznik等［19］使用U-Net開發的深度學習系統,通過心臟定位、心臟分割、冠狀動脈分割、鈣評分計算4個步驟量化CAC積分,并在4個大型前瞻隊列中驗證了系統性能,自動評分與手動評分之間的斯皮爾曼相關系數高達0.92(P<0.000 1)。臨床診斷除了通過影像信息,還需要整合其他臨床數據,如心血管疾病風險因素、患者病史、癥狀等。Commandeur等［20］基于CNN在心臟CT上實現了CAC和心外膜脂肪組織的全自動量化,然后,將量化結果與臨床參數相結合,利用極限梯度提升算法預測心肌梗死和心源性死亡,這種多參數的協作可以提高評估的準確性(AUC=0.82)。

冠狀動脈CT血管造影(coronary computed tomography angiography,CCTA)通過注射適當造影劑來增強冠狀動脈,可以用于診斷冠狀動脈疾病和評估冠狀動脈粥樣硬化的范圍、嚴重程度、分布和組成,是診斷冠心病的“金標準”。冠狀動脈斑塊和狹窄的識別對冠狀動脈疾病的干預具有重要意義,但冠狀動脈結構復雜,分割起來難度較大。Li等［21］基于華西醫院搜集的疑似CAD患者的CCTA圖像,建立了U-Net模型,用于快速、準確地自動分割出冠狀動脈的3個主要分支,平均分割時間僅需6.73 s,并在分割結果的基礎上,結合臨床參數建立了3D Net用于診斷狹窄程度≥50%的冠狀動脈狹窄。

造影劑在增強影像觀察效果的同時,會使動脈外觀減弱,給CAC的提取帶來困難。一項國際多中心的研究利用CCTA和分層長短期記憶網絡(long short-term memory,LSTM)快速評估冠狀動脈斑塊體積和狹窄程度,斑塊平均分析時間僅需5.65 s,對預測心肌梗死發生具有重要價值［22］。影像組學是一種挖掘定量圖像特征的新方法,包括形狀、紋理和更高級的潛在特征。Jin等［23］利用具有代表性的影像組學特征優勢,進行冠狀動脈斑塊檢測、分類及狹窄的分級。CNN在冠狀動脈斑塊檢測任務上實現了100.0%的靈敏度和83.9%的陽性預測率,梯度提升決策樹在斑塊分類(AUC=0.873)和狹窄分級(AUC=0.910)方面表現最佳。

冠狀動脈血流儲備分數(fractional flow reserve,FFR)是冠狀動脈狹窄后最大血流量與正常血流量的比率,常用于評估血液流動的暢通程度。深度學習可以實現CCTA的FFR無創計算(CT-FFR),且CT-FFR在鑒別功能性心肌缺血方面優于常規CCTA［24］。但在臨床實踐中,FFR存在一些局限性,而定量血流分數(quantitative flow ratio,QFR)作為一種血管造影分析的新技術,能夠使主要心臟不良事件的1年發生率降低35%,改善了臨床結局［25］。深度學習與QFR結合能精準評估冠狀動脈病變,Xu等［26］將FFR和QRF作為參考標準,證實了深度學習重建算法可以提高CCTA的質量。此外,還能通過人工智能輔助運動校正算法重建圖像,以提高CCTA圖像質量和檢查效率,即利用深度學習技術分割相鄰多時相的冠狀動脈樹并建立模型,然后,基于模型進行校正［27］。

2.3 心血管磁共振 心血管磁共振(cardiovascular magnetic resonance,CMR)無創無輻射、對心臟顯影敏感,能提供豐富的成像生物標志物來評估心血管結構與功能。但CMR掃描時間較長,會導致運動偽影的產生。Lyu等［28］設計了一個GAN模型,利用雙向卷積LSTM和多尺度卷積結構來提高模型性能。此模型能提取更多時態和多尺度空間特征,以提高心臟MRI圖像的質量和時間分辨率,在有效減少運動偽影的同時縮短成像時間。

心臟結構的精準分割是評價各項指標的前提。Guo等［29］將連續核分割和圖像網格連續正則化方法應用于U-Net和CNN模型,在較小的心臟MRI數據上訓練,降低了分割變異性和額外計算成本的同時提高了準確性和可重復性。相比于左心室,右心室的幾何形狀更加不規則,手動分割非常耗時。Wang等［30］在CMR圖像中利用深度學習算法測量了右心室EF、右心室舒張末期容積和收縮末期容積,實現了右心室功能的自動評估,但結果顯示,10%的患者在右心室EF測量中仍有>10%的絕對誤差,這說明算法還有待提升。由于不同中心的數據之間存在差異,因此,有必要進行多中心研究以證明模型的泛化能力。Tao等［31］基于4個醫療中心的3家供應商提供的MRI圖像,使用U-Net結構的網絡實時分割心內膜和心外膜輪廓,并計算評估了左心室質量、左心室EF等。與單個中心的研究比較,多供應商、多中心數據能提高左心室分割的準確性。

CMR可以提供多種心肌組織學特征,但異常組織的結構、形狀的多樣性加大了心肌病理分割的難度。Cui等［32］提出一種以U-Net為主干的網絡結構,用于描繪左心室心肌瘢痕和水腫區域,在多序列CMR數據中驗證了網絡執行分割任務的有效性。Zhang等［33］在非增強的電影MRI圖像上,采用深度學習方法檢測心肌梗死發生的區域、大小及透壁性,對于慢性心肌梗死的準確描述和綜合評估具有重要的臨床意義。

深度學習在CMR的部分研究已經取得了較好的結果。Karimi-Bidhendi等［34］基于GAN生成的CMR圖像及其對應的分割數據集,提出了分析先天性心臟病的全自動分割方法,其結果與手動分割具有高度一致性。Augusto等［35］使用來自3家機構的CMR數據,訓練具有U-Net結構的深度學習算法,實現了左心室最大壁厚的準確測量,算法的精度明顯優于心肌病專家。心臟淀粉樣變性作為一種特異性心肌病,存在較高的誤診率與漏診率。Martini等［36］利用CNN在CMR中實現心肌淀粉樣變性的二分類(AUC=0.982),預測的準確率和靈敏度分別為88%和95%。Germain等［37］比較了深度學習算法與經驗豐富的醫師在CMR影像中區分心臟淀粉樣變性和左心室肥厚的能力,結果發現,VGG網絡診斷的準確性和AUC比人類操作員高出了15%～20%。

3 總結與展望

3.1 局限性與挑戰 人工智能在心血管影像中的應用,已經從心臟的識別、分割發展到了EF、左心室容積、心臟脂肪組織、鈣化積分的定量計算,還能用于識別頸動脈斑塊、肥厚性心肌病、心臟淀粉樣變性、心力衰竭、心肌梗死等心血管事件。雖然已經取得了一定的研究成果,但仍然存在許多問題與挑戰。

首先,缺乏可解釋性是人工智能技術面臨的共性問題,大部分深度學習算法類似于“黑匣子”,直接由輸入得到輸出,缺乏透明性和可解釋性,這會導致臨床醫師的不信任。其次,深度學習對訓練數據的數量和質量有著較高要求,但不同中心的成像數據存在差異,由于患者隱私保護等原因,很難實現多中心數據共享。最后,算力也是人工智能的核心要素,大規模的影像數據對硬件有著更高的要求,但隨著高性能計算機、云計算和大數據技術的不斷發展,醫院大數據計算中心的建立,此問題正在逐步得到解決。

3.2 未來展望 目前,基于多中心的研究相對較少,但近年來數量在不斷增長。要實現臨床應用,算法的通用性就顯得尤為重要。小樣本的訓練數據會導致深度學習模型的過擬合,遷移學習的方式可以解決此問題,但在復雜的醫學影像中的應用還有一定難度。隨著國家大力推進醫療信息化改革,有望通過建立標準統一的共享數據庫,數據歸一化和重采樣等方法消除多中心數據的差異性。

深度學習與醫學影像的結合,可以很好地為臨床診斷賦能,但人工智能完全取代人類是不可取的。利用深度學習技術進行智能化臨床監測、輔助醫師做出決策,實現醫工融合是未來發展的必然趨勢。此外,影像組學和多模態數據融合,能為深度學習算法提供更多有利信息,具有較高的研究價值。

建立共享的、大型的高質量影像數據庫,解決數據分布的不平衡;優化深度學習算法,提高可解釋和透明度,解決過擬合問題;提高臨床醫師對人工智能算法的接受度和信任度,均是未來仍需要努力的方向。隨著人工智能的不斷發展,深度學習有望給心血管影像領域帶來更大的變革。