心血管病早期筛查的人工智能技术应用

季伟敏 唐士敏 何俊德 王学斌 尹微 葛以山 罗显元

中国心血管病患病率及死亡率仍处于上升阶段,截至2018 年,推算心血管病患病人数2.9 亿,其中脑卒中1 300 万,冠心病1 100 万,肺源性心脏病500 万,心力衰竭450 万,风湿性心脏病250 万,先天性心脏病200 万,高血压2.45 亿,且心血管病死亡率居首位[1]。 以心肌梗死为代表的缺血性心脏病,更是成为全球疾病致死的首要原因。 心血管病发病因素多、病程长、干扰因素多、发病机制复杂,难以精确构建传统的数学模型。 人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学,也是在计算机科学、心理学、语言学、统计学、哲学等多个学科研究基础上发展而来的综合性学科,是21 世纪三大尖端科技之一[2]。 人工智能方法可利用各种模糊逻辑理论的分类及回归算法、人工神经网络算法、机器学习算法等技术手段,根据输入的经验和信息,以及构建概念,完成那些对人类来说容易执行但难以形式化描述的任务[3],解决“无师自通”的辨识问题。

心血管病早期筛查对象范围广、筛查项目多,应用人工智能的技术与方法也不尽相同。 本文对心血管病早期筛查的相关文献进行综述,从危险因素筛查与评估分层,以及体检筛查的实施这两个层面对人工智能技术应用进行分析研究。

1 危险因素筛查与评估分层的人工智能技术应用

1.1 危险因素筛查与评估分层内容

根据国内外最新的流行病学和心血管病防治的循证医学证据,我国制定了《中国心血管病风险评估和管理指南》,并将其作为开展心血管病风险评估和危险因素管理的指导方案,包括心血管病10年风险和终生风险评估的流程、风险分层依据和风险评估工具的使用[4]。 在《中国心血管病预防指南(2017)》《中国成人血脂异常防治指南(2016 年修订版)》中,将5%和10%的缺血性心血管病风险分别作为划分心血管病风险低、中、高危的切点值[5-7],再结合个体病史、风险水平等因素进行分层管理。

1.2 评估分层的人工智能技术应用

2016 年逄凯等[8]使用人工智能机器学习的随机森林算法,提出了仅包含年龄、性别、职业、平均睡眠时间和体格检查指标等变量的冠心病筛查模型(敏感性80.75%,特异性63.45%)。 该模型能够在保证精度的前提下减少所需输入信息,显著提高疾病筛查的时效性和模型的易用性,显示出人工智能方法应用于冠心病早期筛查及评估的潜力。 此外,从样本数据的变量重要性排序中,还可以获得疾病影响因素排序,有助于指导心血管疾病的日常监督和管理。

2016 年杨学礼团队基于中国10 年大样本队列数据研究,建立了更符合中国人群特点的中国缺血性心血管病危险预测模型,即China-PAR 模型[9]。该模型以性别、年龄、现居住地、地域、腰围、总胆固醇(TC)、高密度脂蛋白胆固醇(HDL-C)、血压、服用降压药、糖尿病、吸烟、心血管病家族史等为输入指标,整合了“中国心血管健康多中心合作研究”(InterASIA)、“中国心血管病流行病学多中心协作研究”(ChinaMUCA)等4 项最新的中国人群前瞻性队列随访数据,总样本量达12 万,得到了更符合中国人群特点的低、中、高危切点划分[9]。 预测模型采用综合区分度改善指数、净再分类改善指数等统计量和事先确定的纳入及排除标准,进行模型自变量的筛选;以统计学及多变量多函数的逻辑关系为基础,对新危险因素的增量信息建立数学模型并进行预测[9]。 在杨学礼团队的上述定性分层研究中没有用到人工智能的模糊逻辑理论与方法,但若要对某一群体进行更准确的危险分层,则要以此为基础进一步细化模型并增加危险因素。

上述研究主要是以普通人群为研究对象,以统计学及多变量多函数逻辑关系为基础,通过建立人工智能预测模型,对新风险因素的增量信息建立数学模型进行预测。 目前的定性分层研究中没有使用人工智能的模糊逻辑理论方法,但作为后期人工智能方法的应用基础,可再纳入变量及其定义,开展前瞻性队列分层研究,依托现代计算机技术能力的增强和数据样本的增多,利用人工智能技术有望建构实用性较强的预测模型。

2 体检筛查的人工智能技术应用

2.1 体检筛查的分层方法

体检筛查的实施是以评估分层原则为基础,以心血管病危险因素的筛查与评估分层结果为基本参照依据,对低、中、高不同危险层级人群所做的心血管病早期筛查[10-11]。 下面我们针对不同心血管病危险层级的早期筛查中所应用的人工智能方法进行研究分析。

2.2 低危人群早期筛查的人工智能技术应用

除了常规体检项目外,低危及以下体检筛查人群的常规必查项目主要包括颈动脉超声检查,脉搏波传导速度、踝臂指数检查。 2019 年肖月桐等[12]利用基于深度神经网络的人工智能技术方法,研究心电图自动分类诊断技术,通过直接对预处理后的心电信号进行神经网络图形识别学习训练,逐层提取心电图特征,最终拟合出心电图自动分类模型;再利用训练好的分类模型对临床心电图进行分类诊断测试,取得了良好的效果。 该研究中运用的人工智能技术主要是针对心电图图像进行图形特征识别,在深度学习训练中则采用监督学习的方法。

李方洁[13]认为,利用心电散点图技术分析心电信号,突破了过去计算机简单模仿人工诊断心电图的局限性;通过对连续RR 序列进行迭代作图,可展现心率系统的非线性混沌特征,将人们认识心脏节律的视野从传统的心电散点图二维波形图,拓展至高维相空间的新的分析模式。 通过对心电动力系统中的序列变量进行大量迭代计算,得到相空间高维几何构形的吸引子心电散点图,与心电波形图进行实时对照分析,能更好地表现出心电系统的混沌特征,更清晰地揭示传统的动态心电图分析方法无法揭示的某些隐含规律,再通过人工智能深度学习的方法匹配模式识别。

2019 年易力等[14]借鉴了王聪等[15]研究构建的一种人工智能神经网络模型,提出对取得的心电信号数据进行预处理后,利用确定学习理论算法获得心电动力学数据,再进行动力学信号的异质度特征提取,即基于心电信号混沌系统量化[16]特征值的计算,并通过大数据样本的机器学习训练,得出疾病的模式识别方法。 由于心电动力学信号比心电信号的敏感性更强,因此,利用这种人工智能技术识别心血管病病理特征的敏感性与特异性也大幅超过心电图图形识别,具有应用于低危人群早期筛查的潜力。

目前,低危人群早期筛查的人工智能技术应用主要集中在常规体检项目中的心电信号分析领域。由于心电检查具有无损、快捷、便于普及等优势,心电信号蕴含着反映心脏电过程的敏感信息,加之心电临床诊断技术日益成熟,因此,随着心电大数据的发展与处理技术的进步,相关研究将更趋于广泛和深入。 这正是心电信号分析先行得到人工智能技术加持的主要原因。

2.3 中危人群体检筛查的人工智能技术应用

2.3.1 中危人群体检筛查内容 中危及以上无症状体检人群应接受专业推荐项目检查。 专业推荐项目主要包括心脏超声检查、血管内皮功能检查、动态血压检查、动态心电图检查、运动心电图检查、心血管病相关生物标记物检查[10-11]。

2.3.2 专业推荐项目的人工智能技术应用 2017年李岭海[17]提出,使用人工智能深度学习方法处理超声心动图,以解决由于图像模糊所造成的人工判读难度大、准确度低的问题。 利用SURF 算法等分别提取患者超声切面图像的特征,然后比较测试图像特征值和训练图像特征值的差异,计算识别准确率。 模型的实现则采用Caffe 开放学习维护深度学习框架,训练出可识别心脏病类型的模型。 深度学习网络对超声心动图的识别准确率最高可达98%。2016 年张鸥[18]建立了动脉粥样硬化早期诊断的炎症因子诊断模型:首先,基于Logistic 回归分析筛选出用于建模的炎症因子;然后,分别用ROC 曲线、支持向量机、BP 神经网络建立动脉粥样硬化早期诊断模型。 该研究为临床早期发现动脉粥样硬化及动脉粥样硬化斑块的发展情况奠定了理论依据。 围绕专业推荐项目的人工智能技术应用,主要集中于图像智能识别领域,即利用神经网络建模技术替代人工经验识别。 现阶段,针对筛查人群进行大数据分析的技术应用还不够成熟,主要是因为数据量的扩大及数据的准确标记有赖于调动更多的资源来完成。

2.4 高危人群体检筛查的人工智能技术应用

2.4.1 高危人群体检筛查内容 针对发现明显异常的高危人群,视情况推荐其接受专业备选项目检查。 专业备选项目为核素心肌灌注显像(myocardial perfusion imaging,MPI)、冠状动脉钙化的电子束计算机断层扫描检测、冠状动脉CT 血管造影(coronary computed tomography angiography,CCTA)[10-11]。

2.4.2 专业检查项目的人工智能技术应用 2019年张海涛等[19]采用前瞻性研究、盲法评估、自身对照设计,基于评估冠状动脉生理功能的新型软件,利用人工智能技术计算基于CCTA 的血流储备分数(fractional flow reserve based on CT imaging,FFRCT);以疑似冠心病患者为研究对象,计算FFRCT诊断功能性心肌缺血的准确性、特异性、敏感性、阳性预测值和阴性预测值。 研究结果表明,该软件在功能性心肌缺血的评估方面具有较高的准确性及敏感性,实现了FFRCT的无创检查。 该评估软件基于图像的解剖学信息,利用人工智能的深度学习技术取代FFRCT所需的复杂运算过程,计算出了FFRCT,其技术核心是由海量的人工神经元所组成的神经网络。2020 年胡小丽等[20]采用人工智能技术对CCTA 图像进行处理与诊断研究,在保证图像质量及报告诊断效率的前提下,证实了人工智能软件在处理速度上较人类更有优势(3 minvs.20 min)。 在图像的自动分割和识别中,则采用深度学习方法,并利用最优网络探寻技术(optimal path detection)和专业Loss函数,当面对更加复杂的图像时,仍能进行更完整、更准确、更光滑的血管分割,从而提高识别效率。

对应用于高危人群体检筛查项目的人工智能技术,在技术集成度和设备精密度上都有更高的要求。 目前,上述人工智能技术在对医学图像的计算模拟和精确处理方面,已经取得了一定的实际应用效果,但仍然只能作为人工诊断的必要补充。

2.5 自我筛查(监控)的人工智能技术应用

2020 年张勇等[21]评估了目前大学生所穿戴的智能手表、智能手环等智能设备对体育锻炼的影响。 该研究中检测了穿戴设备传感器所提供的心率变异性(与心脏健康呈正相关)、静息心率(与健康呈负相关)以及睡眠质量的指标值,并普遍采用统计学算法进行分析。

2019 年 Hannun 等[22]对 91 232 份单导联心电图进行人工智能分析,取得了不低于专业医师人工诊断的心律失常检测准确率。 该研究通过建立深度神经网络,利用人工智能技术经验性地找出输入数据(即心电图)与输出数据(即诊断)之间的关系,并据此高敏感性、高准确性地给出诊断。 这项基于单导联心电图的研究成果可作为人体可穿戴设备的基础技术,对未来心律失常患者的自我监测意义重大。

总体来说,普通人群的自我筛查(监控)正处于从计算机统计智能逐渐向人工智能过渡的阶段,人工智能技术应用方兴未艾[23]。 随着数据量的扩大和技术的进一步成熟,尤其在解决了隐私与安全保护问题以后,用于自我筛查的可穿戴设备才能真正普及。

3 总结

当今,随着国民生活方式的转变与人口老龄化、城市化进程的加剧,心血管病发病人数仍在持续增加,费用负担不断加重,心血管病成为重大公共卫生问题。 心血管病的早期筛查成为疾病防治的重要课题。

在危险因素筛查与评估分层方面,目前主要是利用有限的要素进行定性分析,而要实现更多因素的半定量分析,还有很长的路要走。 在体检筛查中,人工智能技术广泛应用于图形(像)的处理。 基于人工智能技术联合CTA 获得FFRCT是近年国内外较流行的技术,可以通过模拟仿真成像进行准确可视的心血管检测,充分显示出人工智能技术的强大能力。 基于心电动力学数据的混沌学特征值,利用人工智能神经网络建模及动态算法技术,可在不借助图形(像)的条件下,实现对心脏疾病的高敏感性和高特异性检测,在早期筛查中显示出巨大的应用潜力。

人工智能技术是当前医疗技术的热点之一,其在心血管病早期筛查领域的应用尚处在数据处理的智能化阶段,原因是人工智能技术应用对数据量与标记数据质量存在高度依赖。 未来随着网络技术的进一步深化、可穿戴设备的普及和人机交互的发展,人工智能技术在个性化检测转接系统、评估模型与电子病历结合等方面,将拥有广阔的应用前景[24-25]。 应用于心血管病早期筛查的人工智能技术及产品,其研发周期较长、研究相对独立、数据具有敏感性,相对其他行业的人工智能技术应用有所滞后,但随着研究和应用的深入,定会在不久的将来呈现爆发式增长。