人工智能深度学习在心血管影像诊断中的研究进展

张 佳 孙 凯

医学影像是现代医疗的重要组成部分，在诊疗过程中不可或缺，但传统影像诊断主要依赖影像科医师进行，难以避免以下问题：①过分依赖医生经验和主观判断，经验不足的年轻医师存在误诊及漏诊现象；②传统影像诊断中存在肉眼无法分辨的图像信息，导致图像信息利用率低[1]；③影像医师培养周期长，专业人才的短缺使得医师工作强度过大。据统计，我国医学影像数据年增长率约为30%，但影像医师数量年增长率约为4%，二者相差26%[2]；④现阶段影像诊断主要为定性诊断，定量诊断很少，不符合现代精准医疗要求。

1 人工智能深度学习

深度学习与医学影像结合的模式应运而生。深度学习是机器学习的延伸，机器学习则是人工智能(artificial intelligence，AI)实现的基础。深度学习采用多层结构的机器学习模型，建立模拟人脑的神经网络来进行分析学习，将低层特征组合形成更加抽象的高层表示属性类别或特征，发现数据潜在的分布式特征，其主要包括深度信念网络、卷积神经网络、循环神经网络、生成式对抗网络及胶囊网络等学习模型[3]。心血管疾病是我国居民健康的重大威胁，据统计，心血管疾病的病死率占城乡居民总病死率首位，在农村和城市分别为44.8%和41.9%，且仍处于上升趋势[4]。深度学习应用于影像诊断可弥补传统影像诊断不足，故其在心血管影像方面应用具有重要价值。通过结合近年来国内外医学影像深度学习的研究成果，介绍深度学习在心血管影像方面的应用研究进展及其面临的挑战，为实现心血管疾病的早期诊断和早期治疗提供参考。

2 AI深度学习与心血管疾病

2.1 冠状动脉钙化

冠状动脉钙化量(coronary artery calcification，CAC)是心血管事件的独立预测因子之一。CAC在心脏钙化评分CT(calcium-scoring computed tomography，CSCT)中被临床量化。不少研究者将深度学习与冠状动脉钙化测量相结合，以实现计算机自动识别。Wolterink等[5]提出一种在冠状动脉CT成像(coronary computed tomography angiography，CCTA)中自动定量CAC的方法。该方法使用监督学习直接识别和量化CAC，无需用现有方法对冠状动脉进行提取。该研究对250名患者进行CCTA检查，并使用深度学习自动定量模式识别方法，可在CCTA中准确地自动识别和量化CAC。Shadmi等[6]提出一种基于全卷积深层神经网络的冠状动脉钙化自动分割方法，用于从任何非增强CT中预测冠状动脉钙化评分。多种统计结果，如Bland-Altman分析、Pearson相关系数和线性加权Kappa分析等均表明，其算法分析结果与专家手动标注结果相近。Datong等[7]提出一种基于深度学习的算法用以检测冠状动脉钙化，经测试其能准确检测复杂背景下的冠状动脉钙化区域，总体分类准确率达77.1%，显示其模型可有效减少影像医师识别冠状动脉钙化的时间，避免不同医师诊断之间的主观性和多样性。

2.2 冠状动脉斑块

判断冠状动脉斑块的性质特别是评估易损斑块尤为重要。易损斑块是有破裂倾向、发展较为快速且极易产生血栓的危险斑块，大量心脑血管急性事件与该斑块密切相关。影像学检查是目前冠状动脉斑块识别的主要手段，包括靶向分子荧光成像、CCTA、磁共振动脉成像、血管内超声、血管内窥镜和光学相干断层成像等方法[8]。深度学习与斑块性质识别结合同样具有发展前景。Gessert等[9]使用由3位经过培训的专家标记的患者图像组成的数据集，采用最先进的深度学习模型，直接从图像中学习斑块分类，配合不同转化方法，解决了斑块分类挑战。最终其模型在血管内光学相干断层扫描检测潜在斑块沉积物时，准确度为91.7%，灵敏度为90.9%，特异度为92.4%。该研究表明，建立基于深度学习的斑块检测系统是可行的。CCTA餐巾环征象被认为与易损斑块和未来急性冠状动脉综合征密切相关[10]。Kolossváry等[11]使用影像组学及深度学习模型识别带有餐巾环征象的冠状动脉斑块，使用其开发的图像分析软件包分析分割的斑块，可量化图像的放射学特征。资料显示，多个放射学特征(包括3个参数：短期和长期低灰度重点、高衰减体素的表面积与总表面积之比)对高危斑块的辨别力高于病变体积和其他常规定量参数。均显示深度学习在冠状动脉斑块识别的发展大有前景，随着技术发展，斑块性质可更加明确，对患者的诊治及预后具有重要意义。

2.3 心血管分割

在医学影像中实现对心血管准确地自动分割是研究热点，大量研究将深度学习应用于分割问题。心外膜脂肪组织(epicardial adipose tissue，EAT)是与冠状动脉疾病相关的内脏脂肪沉积物，全自动量化EAT体积，将可能是一种节省时间又可靠的心血管风险评估工具。Commandeur等[12]提出一种全新自动深度学习模式，用于冠状动脉CT扫描中EAT和胸部脂肪组织(thoracic adipose tissue，TAT)的量化。其评价该方法在250名无症状个体的CT数据集上的表现，结果表明EAT和TAT的自动量化和专家手动量化间存在较强一致性，且较之于机器学习，深度学习准确性更佳。该方法代表了用于快速全自动量化脂肪组织工具的可行性，并可改善用于常规CT扫描患者的心血管风险分层。Fan等[13]提出一种基于深度学习的新方法，通过使用多通道完全卷积网络自动从血管造影中分割冠状动脉，并将掩模图像考虑在内，以区分真实的血管结构。研究表明，该方法与几种最先进的方法相比，对冠状动脉分割有效且稳定。在核磁成像中，Tan等[14]提出一种用于左心室核磁电影图像的完整短轴加时间分割的自动化方法，基于卷积神经网络，采用两步定位左心室中心点的方法，并确定左心室心内膜和心外膜半径，该实验证明了深度学习在核磁图像中自动分割左心室的可行性。

2.4 冠状动脉狭窄

冠状动脉狭窄程度的判定对冠状动脉粥样硬化患者尤为重要，其决定了患者下一步的治疗方案。血流储备分数(fraction flow reserve，FFR)是评价冠状动脉生理功能的金标准，但其为有创性方法，临床应用受限[15]。而CCTA检查后机器自动判定狭窄程度准确率仍较差，诊断很大程度依赖影像科医师，急需开发算法以实现自动识别。Zreik等[16]提出一种自动识别显著的功能性冠状动脉狭窄患者方法，在静息态CCTA中采用左心室心肌的深度学习分析。使用多尺度卷积神经网络对左心室心肌进行分割，随后使用非监督的卷积自动编码器对其进行编码，并将编码的统计数据计算为特征，根据功能性狭窄的存在对患者进行分类。结果表明，在未评估冠状动脉解剖结构的情况下，静息时获得的单次CCTA扫描中对左心室心肌的自动分析可用于鉴定冠状动脉具有显著功能性狭窄的患者，可减少患者有创检查频率。黄增发等[17]选取临床疑似冠心病患者50例，使用基于深度学习的AI辅助诊断系统识别其CCTA图像中的冠状动脉狭窄，以评价AI的应用价值，其结果表明，在冠状动脉病变管腔狭窄程度识别中，AI诊断冠状动脉狭窄的敏感度和特异度分别为60.87%和80.77%，对冠状动脉狭窄诊断具有一定价值，且可极大减少医师诊断时间。

近年来，基于CCTA数据应用FFR分析方法所得的血流储备分数CT(fraction flow reserve computed tomography，FFRCT)是研究热点，该方法为无创检查，且可结合解剖和功能信息。检查时无需服用负荷药物或进行额外影像采集，检查时冠状动脉功能和解剖情况即可显示，应用前景广阔[18-19]。而基于深度学习的AI FFRCT分析算法采用多层神经网络结构，基于患者CCTA中血管直径、长度和狭窄程度等解剖学特征，研究血流动力学与冠状动脉树解剖结构间的复杂关系，初步研究显示运算时间为(2.4±0.4)s，可较快对患者进行检查，用于急性胸痛患者可帮助快速诊断[20]。

3 心肌灌注显像

心肌灌注显像(myocardial perfusion imaging，MPI)是筛查心肌缺血的无创检查方法，20世纪70年代开始被应用，因其具有极大诊断价值，现已在世界范围内被广泛接受，成为目前冠心病诊疗、效果评价及判断预后的重要影像学方法。Nakajima等[21]设计研究在冠状动脉疾病患者中应用人工神经网络，并与心肌灌注成像中的常规视觉和定量方法相比，表征其诊断能力。Betancur等[22]研究通过深度学习方法从单光子发射型电子计算机断层扫描(single-photon emission computed tomography，SPECT)心肌灌注影像中提取关键特征，对可疑的冠心病患者进行血运重建预测，结果均显示深度学习的诊断能力与常规评分方法相似，且深度学习可为判断异常提供不同观点，是目前评估MPI异常最具前景的方法之一。

4 展望

深度学习的应用仍处于起步阶段，面临诸多挑战，如数据链不完整、数据量过小及各平台数据不稳定等问题，但其应用于医学影像诊断具有突出优点：通过高通量的抽取定量化特征，深度学习将医学分层影像转化为可挖掘的数据，并分析这些数据用于决策支持，为影像科医师提供更多客观和定量信息，辅助诊断，减少漏诊误诊[23]。同时，基于大数据和计算机算法模型的运作系统工作更加高效，并可通过网络云平台实时会诊，减轻影像科医生负担的同时弥补了基层医疗欠缺。深度学习是当下研究热点，发展得到国内外大力支持。随着人们生活水平不断提升，心血管疾病发病率和病死率居高不下，AI可有效辅助影像科医师诊断心血管疾病，对减少心血管急性事件的发生及改善预后具有重要意义。