人工智能在冠心病诊断及危险度分层中的应用进展

施建伷，蒋志新，叶 力综述，李殿富审校

0 引 言

传统上心血管疾病的诊治主要依靠临床医师综合分析患者的症状、体征以及实验室检查结果等进行临床决策，然而对临床各种信息的解读与理解程度的不同，使得临床医师对同一个患者产生程度不同的诊断处理意见。减少这一差异的动因是推动临床医学从个人经验医学转向现代循证医学的主要原因之一。面对因医学及其技术的不断进步呈现出指数级增长的临床数据，利用机器学习、深度学习和认知计算在内的人工智能技术进行大数据处理及其人工智能诊断将在心血管疾病的诊治决策中起到越来越重要作用，这是现代循证医学向未来精准医学发展的重要基础［1］。

冠心病作为最常见的心血管疾病之一，其诊断和危险度分层、以及处理方案的制定高度依赖于可视化的功能学检查资料，对可视化资料的整合与处理正是人工智能的优势［2］。近年来，人工智能在冠心病诊治领域中的研究与应用已有较快发展，本文就近年来人工智能在冠心病诊断及危险度分层中的应用进展作一综述。

1 人工智能在冠心病诊断中的应用

目前常用的无创冠心病诊断处理技术包括心电图（Electrocardiographic，ECG）、CT冠状动脉成像（coronary computed tomography angiography，CCTA）及门控核素心肌灌注显像（gated single photon emission computed tomography，G-MPI）等，人工智能将各种算法和以上的影像学技术相结合，根据所获得的图像信息自动化地做出诊断。目前除弹性网络算法、基于模因模式的算法小规模的应用于临床外［3-5］，以人工神经网络为代表的人工智能、以支持向量机算法和LogitBoost算法等为代表的机器学习和深度学习等诸多算法已经在医学领域得到了广泛应用［6］。

1.1 人工神经网络人工神经网络通过模拟人类神经元之间的交互方式达到数据处理的目的，目前已被广泛应用于核心脏病学领域中［7-9］。Guner等［10］将其与G-MPI结合，验证该算法对冠心病的诊断效能。7名核医学医师和该算法分别对纳入测试的患者G-MPI图像进行解读，采用曲线下面积（area under the curve，AUC）比较其对冠心病的诊断效能。结果显示人工神经网络和专家解读的诊断效能无统计学差异（AUC:0.74和0.84，P＞0.05），同时接受算法辅助组的核医学医师的诊断效能优于无辅助组（分别提升11%和7%，P＜0.05）。Nakajima等［8］采用相同算法进行一项多中心的验证研究，旨在验证该算法和基于负荷总积分（SSS）/静息总积分（SRS）/灌注积分差（SDS）的传统半定量模式对冠心病患者的诊断效能。结果显示，相比于从传统目测方法获得的SSS和SDS，人工神经网络在负荷灌注缺损（AUC:0.92和 0.82，P＜0.0001）和负荷所致缺血（AUC:0.90和0.75，P＜0.0001）的诊断效能上均优于传统的半定量积分法。Shibutani等［11］将人工神经网络算法进一步用于局限性灌注缺损的诊断中，和两位专家相比，算法在诊断负荷灌注缺损的效能上显著优于专家（AUC:0.946，0.865和0.865，P＜0.05）。综合上述研究结果，在核心脏病学领域，人工神经网络不仅可代替医师对冠心病作出诊断，还可通过辅助人工解读方式提高诊断效能。

1.2 支持向量机与LogitBoost算法利用支持向量机算法有更全面地挖掘隐藏数据的能力，Dolatabadi等［12］将该算法应用于根据动态心电图ST段变化这一心率变应性指标来识别健康人群和冠心患者群。这一小样本回顾性研究通过融合相应的心电学参数，支持向量机算法识别冠心病患者的准确性可以达到99.2%（敏感性为98.43%，特异性为100%）。LogitBoost算法通过对数个弱相关的分类进行不断迭代以最终获得一个强相关的分类，以此获得诊断和鉴别诊断的功能；Dey等［13］以CCTA发现的冠脉斑块特征为研究对象，拟通过分析斑块特征来预测LogitBoost算法对心肌缺血及其冠心病的诊断价值。该研究比较了CT系统自带软件和基于LogitBoost算法的诊断模型之间的诊断效能，发现不论采用何种参数，CT自带软件的诊断效能均劣于基于算法的诊断模型（AUC:0.63-0.76和0.84，P＜0.005）。有研究尝试将上述两种机器学习算法与GMPI图像相结合以期提高基于G-MPI图像的冠心病诊断准确性［14-15］。其中支持向量机用于融合非校正G-MPI图像的相关参数，LogitBoost算法通过整合心肌灌注量化信息和临床参数以达到提高诊断准确性的目的。两项研究均采用敏感性、特异性和准确性作为诊断效能指标以比较算法和医学专家的诊断结果。结果均证实，机器学习算法与G-MPI图像结合对冠心病的诊断效能显著优于传统的人工阅读法（AUC:0.87-0.88和 0.92，P＜0.05；AUC:0.85-0.89和0.94，P＜0.0001）。

1.3 深度学习上述诸多机器学习算法已经展现出良好的诊断价值，但仍依赖于人工进行参数输入，而深度学习可自动处理和识别输入的图像信息并输出所需要的数据，展现出超越机器学习的强大数据处理能力。深度学习提高ECG诊断准确率的能力先前已被验证［16］。Tan等［17］进一步比较了叠加的卷积神经网络和长短期记忆网络——深度学习的一种和各种机器学习算法在冠心病上的诊断效能，结果显示其所研发的新算法在敏感性（99.85%）、特异性（99.84%）和准确度（99.85%）上均优于现有的各种算法模型。

CCTA通过对比注射造影剂前后充盈程度来获得血管狭窄的面积百分比，这一过程同样是基于逐帧采集的图像。机器学习在图像重建方面存在着客观的局限性［18］，而深度学习则具有强大的图像分析处理能力，因此诸多学者选择将深度学习和CCTA图像相结合以验证其诊断能力［19-21］。Doeberitz等［19］探索了基于CCTA的不同诊断模型（CCTA计算的狭窄百分比、CCTA获得的斑块特征及基于深度学习的CT血流储备分数）对血管狭窄所致心肌缺血的诊断效能，研究结果证实，单纯使用血管狭窄百分比的AUC为0.61，加入斑块特征后提升至0.83，而采用基于深度学习的CT血流储备分数后，AUC进一步提升至0.93。Coenen等［21］通过类似的研究也得出了深度学习可提高诊断效能的结论，而诊断效能的提高主要得益于准确识别假阳性患者并将其正确归类。Hamersvelt等［20］沿用同样的思路，旨在探索深度学习对有严重功能性狭窄的冠心病患者（血管内血流储备分数≤0.8或冠脉造影提示血管狭窄≥90%）的附加诊断价值。深度学习通过分析静息状态下的左心室心肌形状、质地及造影剂摄取程度，将AUC从单纯基于血管狭窄百分比的0.68提升至0.76，其中敏感性从92.6%轻度下降至84.6%，但诊断特异性从31.1%显著提升至48.4%。Betancur等［22］将深度学习与G-MPI图像相结合，分别利用原始及定量化处理后的G-MPI图像来研究比较深度学习预测结果与总灌注缺损（total perfusion deficit，TPD）这一传统G-MPI参数对阻塞性冠心病的诊断效能，结果发现，深度学习对患者（AUC:0.80和0.78，P＜0.01）和血管（AUC:0.76和0.73，P＜0.01）的诊断效能均优于传统的TPD参数，进一步体现了深度学习的强大潜力。

机器学习的诸多算法与传统的无创影像学相结合，提高了对冠心病的诊断准确性和诊断效能，而深度学习除此之外，更在诊断的个体化和精准化方面展现出独特优势。

2 人工智能在冠心病危险度分层中的应用

2.1 人工智能与传统的危险度分层模型传统的冠心病危险度分层是利用年龄、性别、有无高血压、糖尿病、高胆固醇血症、心血管疾病家族史及吸烟等临床资料对人群进行心血管事件发生概率的预测。Rosendael等［23］使用极度梯度强化法（extreme gradient boosting，XGBoost）对特定人群按照从CCTA获得的血管狭窄程度和斑块特征进行分层，和传统的CCTA风险评分系统如Duke预后量表、Leaman风险评分系统等相比，基于算法的分层模型因精准识别了低风险人群，因此其预测效能更好（AUC:0.685-0.701和0.771，P＜0.001）。现有文献已证实，颈动脉斑块特征可被用于进行心血管事件的危险度分层［24-25］；Banchhor等［26］以此为标准，探索血管内超声下斑块和血管壁特征能否作为新的参数来提高现有的CADx系统对冠心病危险度分层的准确性；该研究使用多种机器学习算法进行相关的特征获取，结果显示单纯使用斑块特征进行危险度分层，预测准确性约为86%，在增加了血管壁特征后，对低危和高危人群的分层准确性可提升至91.28%。该研究提示，人工智能可为更精准的冠心病危险度分层提供保障。

2.2 人工智能不同算法之间的比较不同的算法因各自优势不同常被研究者用来进行对比，在冠心病危险度分层中的应用亦是如此。Weng等［27］探索是否可借助机器算法来替代传统的预测模型，研究采用了4种不同的机器学习算法（随机树、Logistic回归、梯度提升机、人工神经网络）来预测患者未来10年的心血管事件发生率。与现有的危险度分层模型相比，上述4种算法均展现出了更好的预测优势，其中人工神经网络算法对预测准确性提升的百分比最高（3.6%），在预测发生心血管事件的绝对数上更占优势。Dimopoulos等［28］比较了k邻近算法、随机森林模型和决策树等三种算法和现存预测模型（HellenicSCORE）对冠心病10年发病率的预测效能。三种不同的机器学习算法在预测的特异性上均优于HellenicSCORE模型（46%～56%和20%），而敏感性、准确性和阳性预测值均和传统模型相仿（P＞0.05）。以敏感性、特异性、阳性预测率、阴性预测率这四项指标综合比较3种算法，随机森林模型的预测效能最佳（四项指标数值分别为100%、79%、99%和98%），而k邻近算法的预测效能最差（四项指标数值分别为98%、37%、97%和79%）。Pieszko等［29］利用机器学习算法预测急性心肌梗死患者的住院死亡率，研究将线性回归、XGBoost和DRSABRE等3种算法与临床和实验室检查参数相结合用于住院死亡率的预测。结果分析发现，DRSA-BRE算法预测住院死亡率的敏感性（81%±2.4%）和特异性（81.1%±0.5%）的表现最佳。

传统的危险度分层模型提供了预测未来不良事件发生概率的工具，而人工智能则有实现并超越传统模型的预测能力，同时提高了个体化和精准化诊治的能力。

3 结语与展望

人工智能因其可处理统计学尚不能解决的问题而在医学领域得到重视［30］，但目前有关人工智能的研究所采用的均是回顾性的研究方法，即旨在验证人工智能的一种能力，未来应有更多前瞻性的研究进一步证实人工智能的实用价值。

尽管人工智能在冠心病诊断及其危险度分层中的能力得到了验证，但是目前的算法因开发者不同，在实际操作及其结果解读上均还存在差别，建立标准化的规则使其更易操作和可读也成为未来人工智能需要突破的方向之一。在冠心病诊断处理方面，目前与人工智能相关的大部分研究均是基于冠脉CTA和G-MPI等可视化的功能检查，这种结合显著提升了医疗的精准化和个体化［31］。但目前的人工智能系统在患者的病史和体格检查等重要信息的利用上还存在明显不足，原因之一即是目前的病历系统尚未完全做到结构化，计算机算法无法有效地抓取相关信息进行分析，而结构化的电子病历系统或许可以解决这一难题。

心脏超声心动图作为临床广泛应用的无创影像学检查之一［32］，其图像质量与操作者经验密切相关，因此将心脏超声心动图与人工智能相结合用于冠心病诊断及危险度分层中的研究均局限于小样本研究［33］。希望未来能开发出更适宜的算法与其融合，扩大其在冠心病诊断及危险度分层中的应用。人工智能在冠心病诊治方面的能力目前已得到了较好验证，随着人工智能的进一步发展及其相关规则的标准化和病史等临床信息的结构化，人工智能在其他心血管疾病诊治方面的能力也会有突破性的进展。