人工智能在心脏影像诊断中的研究进展心脏影像诊断是评估心脏疾病的主要方法之一。目前，MRI、CT、超声、核医学等心脏成像技术已普遍应用于临床，其临床价值亦得到广泛认可。但图像后处理较为耗时并且易受影像医师个人主观因素的影响，导致对疾病检出或病情程度判断的结果不一致，故而有其局限性。人工智能（artificial intelligence,AI）是以计算机科学为基础进行的多领域多学科交叉研究，将模拟及扩展人的智能的理论和方式应用于生活的各个领域。
AI在医学成像领域的应用可以缩短图像后处理时间，基于大数据的客观分析使诊断结果更为可靠。基于AI技术的心脏影像诊断不仅使影像检查更为快速、安全，还能为病人提供经济、精准的医疗方案。
1.AI自动化处理的基本原理
AI分为传统的机器学习（machine learning,ML）和深度学习（deep learning,DL）。ML是通过将以往的经验性数据输入计算机中，基于大数据逐步学习规则和识别模式，通过分析人工设置的特征性指标得出结果。DL是在ML基础上引入多层感知机即人工神经网络，它是一种高度依赖大数据的算法，依靠建立的深度神经网络模拟人脑学习、分析病灶特征，其性能随着导入数据量和训练强度的增加而增强。两者主要学习模式均为监督学习和非监督学习。
监督学习是通过训练智能系统识别目标病灶特征与其定义标签的联系，按照标签结果自动对病灶进行精确的定义，可对通过影像扫描采集的离散型数据进行分类，对连续型数据进行回归分析。而非监督学习的训练数据并未录入标签，通过相似性确定分类的学习方法，由系统对数据进行聚类分析，自动从数据中提取一个特殊的结构。医学领域应用较多的为卷积神经网络（convolutional neural networks,CNN），可降低运算的复杂程度，减少训练参数的数目。
CNN由输入层、输出层及中间隐藏层组成。每一层以端到端的方式连接，并且使用反向传播来优化权重。目前，CNN已成为提取心血管成像集中特征的“首选”方法。DL与传统的ML在医学成像中的应用各有优势。传统的ML适用于小数据的影像分析，且算法的执行时间较少，严格按照设置的标准将病灶拆分，再通过逐个分析得出结果、整合定义，但需要人工标记病灶特征，成本较高。而DL适用于大数据的处理，计算量庞大，但需大量耗时训练，对系统配置要求较高。此外，传统的ML按照人工标准定义病灶，而DL采取深度神经网络“端到端”的处理模式，即所谓“黑箱”模式，其结果有时使人费解，但这超越人类思维的处理模式同时也证明了DL在未来医学成像发展中的潜力。
2.基于AI的不同影像检查方法在心脏成像中的应用
2.1心脏超声成像
AI在心脏超声中可对心脏进行检测、分类、分割和生成报告，而研究主要集中在分类和分割。Madani等研究表明AI在视图分类方面的性能与人工分类的超声心动图相似；Khamis等报道，AI利用一种新型的时间-空间特征训练和监督学习，可以正确地分类顶端双腔、顶端四腔和顶端长轴影像，准确度分别为97%、91%和97%。而心室的分割可为自动化测定射血分数提供基础，随着训练影像数量的增加，AI对心室分割的精准度更高。
AI可以在三维超声心动图数据采集中自动分割整个心动周期的左心室和左心房心内膜边界，从而可以精确测量左心室、左心房的容积和射血分数。Knackstedt等研究表明AI自动化测量超声心动图数据可靠，能可重复地计算射血分数和纵向应变。将自动生成的数值与通过视觉估计和手动追踪获得的数值进行比较，前者仅需约8s即可获得优于人工采集的图像和精准的数据，耗时大大减少。
AI对心室轮廓的自动分割和功能参数的自动计算不仅可以较好地诊断心脏疾病，还能客观地判断预后。Shah等利用心脏超声影像数据和临床变量组合训练AI对射血分数保留性心力衰竭病人分类并预测其预后，结果显示受试者操作特征曲线下面积（AUC）为0.70~0.76。但Tamborini等研究发现，对于少数病例（如先天性小心腔室疾病），AI不能很好地识别这类病人的左心室心肌。而Genovese等对56例心脏MR检查提示心功能降低的病人采用AI-超声心动图全自动测量右心室大小、收缩末期及舒张末期体积和射血分数，结果显示通过AI-超声心动图可对所有病人的右心室进行定量分析，在32%的病人中实现了完全自动数据采集处理，另外68%在自动处理后还需编辑心内膜轮廓来保证数据的精确性。
因此，在目前的AI影像研究中，对于左心室的研究相对成熟，而对右心室影像和罕见病例的自动化处理可能还需要进一步扩充相关影像数据。尽管AI对于部分影像资料和罕见疾病数据仍无法实现完全自动化处理，但在对心脏超声影像的自动分割及房室容积的自动化测量、快速采集图像和数据收集得出射血分数等心功能指标，以及对病人分类的功能和预后评估方面，其效能均有较大技术突破。
有研究报道，基于超声数据库的人工神经网络可根据心阻抗图直接为临床提供重要的超声心动图参数，也能通过心电图筛查心脏收缩功能障碍。基于AI的心脏超声影像检查方法将来可进一步简化，成为一种更经济、高效的心脏检查技术。
2.2心脏CT成像
目前心脏CT成像的研究主要是基于AI的冠状动脉低剂量CT成像和针对血管狭窄段的直径、面积、长度的分析以及动脉硬化软硬斑块的检出与定量评估。AI中基于DL的图像重建不同于传统的迭代重建，在噪声数据库中，AI可以自动重组高噪声图像像素位点，从而降低图像噪声。
有研究者以低剂量特征训练AI中的CNN，可将病人的低剂量扫描影像重建为常规剂量的CT影像，展示了AI在改善冠状动脉CT影像重建中的价值。Tatsugami等以高辐射剂量扫描得到的优质冠状动脉影像作为训练数据，结果在低剂量冠状动脉CT血管成像（coronary computed tomography angiography，CCTA）上得到了低噪声、高分辨力的影像，并且输入更复杂的数据训练CNN时，可以增强基于DL的图像重建效能。AI已广泛应用于冠状动脉钙化积分和冠状动脉狭窄的定性、定量诊断。
通过两阶段分类法实现自动化低剂量心电门控CT冠状动脉钙化评分，其评分结果与手动操作一致性较高。Kang等应用AI自动化分类CCTA阻塞性和非阻塞性冠状动脉疾病，准确度高达94%，AUC为0.94。AI自动化分析能对斑块分类，对斑块总体积和冠状动脉狭窄数据的测定比单纯CCTA更精确。此外，基于AI的CCTA冠状动脉病变特征评分较传统的冠状动脉疾病报告与数据系统（coronary artery disease reporting and data system，CAD-RADS）评分能更好地区分是否发生心血管不良事件的病人。
利用CCTA数据，通过计算流体力学和血管解剖生理模型的结合可以模拟计算血流储备分数（fractional flow reserve，FFR）。AI也可以直接通过CCTA特征计算基于CTA的FFR（FFRCT），结果表明其对评估不良心血管事件风险具有实用价值。Dey等在一项多中心研究中，利用AI提取254例病人的CCTA影像特征预测FFR，发现基于AI的FFR对病变血管特异性缺血的诊断效能高于单独的CCTA。目前一些研究者也开展了基于CT影像的心脏分割研究。
Commandeur等通过对AI的训练和验证，结果显示全自动分割胸腔和心外膜脂肪的结果与心血管专家手动分割具有极好的相关性（相关系数分别为0.945和0.926），自动化分割仅需3s，而心血管专家手动分割则需10~11min。Zreik等也将AI应用于心肌内缺血性变化的CCTA影像的自动分析，可以鉴别心功能受限的冠状动脉狭窄。AI通过自动测量钙化积分、冠状动脉斑块体积及冠状动脉管腔狭窄程度，可获得CCTA中有关解剖学和功能的信息，更好地评估心血管病变，进而精准判断病人预后。
目前在AI的研究中，传统ML主要应用在基于CT影像数据分类分析对心血管疾病进行诊断和预后预测，而DL则是采取直接“端到端”模式对影像直接预测结果，适用于大型复杂数据的分析，如基因组学。传统ML的研究相对较成熟，基于CT影像数据的ML方法不仅可以提高诊断疾病的特异性并预测远期疾病进展风险，还可以预测病人的预后情况。
基于CCTA数据的ML预测冠状动脉疾病病人5年全因死亡率的AUC为0.79，Framingham风险评分为0.61，节段狭窄评分0.64，节段累积积分0.64，杜克指数0.62，ML结合动脉粥样斑块表征定量软件可对病人进行精确的心血管风险分层，对病人个体化精准治疗具有重要的临床意义。
综上，通过AI低剂量数据特征训练，在不改变影像诊断质量的前提下可大幅降低病人在一次扫描时所接受的辐射剂量。同时，AI对心脏自动分割的耗时不仅低至3s，而且对冠状动脉钙化斑块的分类、定性、定量及冠状动脉狭窄程度的判断一定程度上比人工诊断更精确，尤其是基于CCTA数据自动化计算的FFRCT对冠状动脉疾病病人进行预后风险评估的性能显著优于单独的临床和CCTA指标。
2.3心脏MRI
在心脏MRI中，自动分割心脏结构和鉴别心肌梗死组织是AI的研究热点。尤其是分割短轴图像重建中的心脏结构，可以量化心脏功能。Karim等利用AI对心脏MRI增强晚期影像进行自动分割，表明AI算法分割比固定模型具有更好的准确性。Baessler等通过利用AI从MRI影像中提取心脏纹理特征来区分心肌梗死组和对照组，多重逻辑回归显示AUC为0.92，亦表明AI可以较好地鉴别心肌正常组织和梗死组织。
Bernard等已成功地在心脏MRI中自动分割左心室腔、左心室心肌和右心室，并基于图像数据诊断区分扩张型心肌病、肥厚型心肌病、左室射血分数改变的心肌梗死、右心室异常和无心脏疾病的病人，评价心功能方面，2D-3DU-Net集成模型效能最佳，左室射血分数和右室射血分数测量误差低于5%的病人分别占92%和68%。
AI还能基于输入的右心室三维心脏运动数据对肺动脉高压病人进行建模预测其生存率，表明了在心脏MRI中AI的应用对高风险病人早期干预可以起到积极作用。有研究报道，因临床检查需求不同（如心肌、血流），心脏MRI扫描需多个序列完成，单个序列检查需6～7min，且后处理耗时较长，完成需30min，而AI自动化分析单个序列，仅需不足1min，并且可获得高质量的对比增强曲线，2种方法所得影像的诊断效能基本一致（AUC为0.72和0.73），但由于MRI中不同的脉冲序列、扫描参数和成像协议使得自动化处理变得复杂，大多数基于AI的心脏MRI扫描和后处理仍需要人工辅助完成。
加之部分体积效应引起的室腔边界模糊，左心室乳头肌、右心室小梁与周围心肌组织信号相似导致自动化处理时不易分割等问题，致使AI在心脏MRI中的应用还存在较多困难。但在2018年北美放射学年会上多位研究者报道了AI在心脏MRI中的技术突破，在诊断扩张型心肌病、测定心肌纤维化、快速采集高质量心脏MRI影像以及评估左心室容积方面均取得了较好的研究成果。随着AI算法的更新，心脏MRI在心脏疾病中的应用将具有潜在的良好价值。
2.4心脏SPECT和PET成像
AI对单光子发射体层成像（SPECT）的研究主要集中在评估心肌灌注。AI能对正常和异常的SPECT心脏图像进行分类，效能与人工视觉分类相似，而且相较于常规评分，人工神经网络对心肌异常部分检测时能够显著提高对心肌负荷显像、静息显像和应激性心肌缺血的识别能力，对于AI系统的再培训还能进一步增强其诊断心肌缺血的能力。AI中LogitBoost和支持向量机算法能整合心肌灌注成像的定量灌注、功能和临床变量数据，可显著改善SPECT的诊断效能。
Betancur等应用AI处理1638例病人心脏SPECT极坐标靶心图像，发现AI可以基于心肌总灌注不足识别阻塞性冠状动脉疾病，提高对CAD病人和病变血管的诊断准确率，同时，结合病人临床信息和心肌灌注SPECT数据进行风险评估的效能较单一心肌灌注SPECT数据更高，可以提高SPECT的准确性。
Arsanjani等研究也表明AI联合SPECT在预测心脏早期血运重建和心血管不良事件方面具有显著优势。AI也能处理正电子发射体层成像（PET）结合CCTA产生的冠状动脉功能障碍数据，对斑块狭窄、心肌负荷、心肌质量进行定量分析，且整合后进行风险评估，以量化受损心肌血流储备。但由于PET心脏成像成本较高，故很少应用于临床。尽管SPECT和PET成像时病人所接受的高辐射剂量仍然是AI用于心脏核成像模式的主要限制，但AI在SPECT和PET心肌灌注成像的应用价值已得到证实。随着研究的不断深入，AI在心脏SPECT和PET成像中的临床价值有望得到进一步提升。
3.小结
AI在心脏成像中的应用均以心脏分割和快速成像为核心，但在不同成像方法中各有优势。心脏超声主要通过射血分数评价心脏功能，今后可能围绕射血分数的自动化计算以及AI-心阻抗图-超声心动图参数快速检测进行研究，而心脏CT主要通过钙化斑块的自动化定性、定量和FFRCT对病人进行诊断及预后评估。
AI-MRI对心肌疾病（如心肌纤维化）的诊断优于其他成像方法，但由于序列复杂等多种因素限制，目前对图像的自动化处理程度不如CT和超声。SPECT和PET在心肌灌注、心脏早期血运重建和心血管不良事件预估方面有一定优势，但需要进行更多的实验进一步论证，且一次扫描中的高成本和高辐射剂量问题尚待解决。
目前基于AI的心脏成像技术在各个方面已取得了突破性进展，但需要认识其局限性：①ML依赖人工标记病灶特征进行学习，但人工成本偏高；而DL高度依赖大数据库进行优化，基于数据的产权问题使资料难以收集；②用以训练AI的数据库并不统一，自动化评估病灶的算法也不尽相同，对疾病的诊断、预后评估等仍存在一定偏差；③AI应用于临床带来的一系列如医疗安全、责任划分等伦理性挑战，目前仍没有很好的应对策略。随着AI研究进步，心脏影像诊断已经进入了一个新的时代，AI系统研发以及临床应用的日渐成熟，心脏影像检查将会为临床提供更多的信息，也将进一步推进精准医疗的发展。
来源：张湘敏,吕梁,刘兴利,宋巍,杨净松,杜自宏,龙芳敏.人工智能在心脏影像诊断中的研究进展[J].国际医学放射学杂志,2020,43(02):192-196. |
