人工智能赋能医学影像在先天性心脏病医学诊治中的研究进展

林锡祥 杨菲菲 陈煦 何昆仑

(1.中国人民解放军总医院医学大数据研究中心，北京 100853;2.中国人民解放军总医院解放军医学院，北京 100853)

先天性心脏病(congenital heart disease，CHD)简称先心病，是最常见的出生缺陷之一，指的是原始心脏组织在发育过程中出现异常，导致胎儿出生后出现心脏或大血管解剖结构和功能异常。根据国家卫生部发布的《中国出生缺陷防治报告(2012)》[1]，CHD的围产期发病率逐年上升且占据出生缺陷的首位，约为4‰。然而，CHD因早期症状不明显而常出现漏诊，延误治疗的CHD患儿在婴儿期的死亡率为30%，且致残率与漏诊率有显著相关关系[2-3]。早发现、早诊断、早治疗CHD有利于降低婴儿死亡率、减少残疾、提高出生人口素质，具有重要的医学和社会学意义。因此，有效提高CHD筛查效率的工具和技术亟需开发。近年来，人工智能技术的发展突飞猛进，深度学习(deep learning，DL)算法凭借其高效性、客观性和准确性广泛应用于医学领域[4-6]。在心血管领域，DL在医学影像学方面大放异彩，在超声、核磁和CT等影像手段上能实现图像采集、切面识别、病灶分割、参数测量和疾病诊断等任务的自动化，大大提高了诊断的准确性和可靠性。本文围绕基于人工智能技术的医学影像在CHD的诊断和治疗中的应用展开综述。

1 人工智能应用于CHD的产前诊断

产前诊断是CHD筛查的首要环节，主要为胎儿超声心动图检查。多篇文献[7-8]报道，与产后诊断相比较，产前诊断能让医生及时进行子宫内治疗，并且改善新生儿介入或手术治疗的结局。目前，胎儿超声在中国仍未得到广泛应用，主要面临以下两大障碍：第一，图像质量要求高。由于胎儿体位多变、心脏体积小、超声声窗差等原因，临床工作中会出现质量参差不齐的超声图像，影响结果的判断。第二，对解读胎儿超声图像的医生要求高。有文献[9-10]报道临床医生通过标准超声切面判断复杂性CHD的诊断效能低至30%，其中特异性为50%。尽管经验丰富的高年资医生能作出准确的判断，但心脏病学专家在发展落后的地区少之又少，而这些正是CHD高发病率的地区。针对上述问题，很多学者围绕人工智能应用于CHD产前诊断这一方向开展研究。

人工智能可从多个方面优化胎儿超声心动图的流程，包括图像获取、图像优化、自动测量和疾病诊断。早期有研究团队开发了一套胎儿智能导航超声心动图系统(FINE)，该系统可辅助医生采集9个标准胎儿心脏切面，在减少对操作者依赖的同时提升图像质量[11]。后续很多研究将FINE应用于多种复杂CHD的产前诊断和胎儿心脏功能的监测中，结果显示该系统极大地提高了CHD产前诊断的便捷性和可靠性[12-13]。图像优化方面，Gu等[14]利用大型多中心胎儿超声心动图数据库，建立规范胎儿超声心动图测量的q评分系统，为CHD产前诊断及预后判断提供参考指标。Dong等[15]提出了一个用于胎儿四腔心切面质量控制的通用DL框架，该框架由三个卷积神经网络组成，分别实现粗分类、细分类和结构检测的功能。超声参数的量化是疾病诊断的重要前提，Bridge等[16]利用真实医疗机构数据来设计和训练一种模型，该模型可逐帧地识别和分割胎儿心脏。其他研究团队[17-18]也致力于实现心动周期的自动识别以及四腔心切面的分割。疾病诊断方面，Gong等[19]基于11万张视频截图的胎儿超声数据集，提出新的DL算法——DGACNN，在胎儿四腔心切面上识别CHD准确率为85%，高于心脏病专家的水平。该研究同时解决了罕见病训练数据不足、标注困难以及训练模型鲁棒性不足等问题。Arnaout等[20]报道，将107 823个视频用于训练卷积神经网络，模型自动识别胎儿超声心动图标准切面和诊断复杂性CHD，最终在评价诊断效能方面模型的曲线下面积(area under the curve，AUC)为0.99。

上述这些研究所提出的人工智能技术在帮助临床医生完成CHD产前诊断方面具有很大的潜力。在当今远程医疗快速发展的背景下，CHD产前诊断智能化可有效解决边远农村地区诊断水平落后的问题。人工智能使诊断的效率大大提升，从而促进胎儿超声检查的推广和普及，提高CHD早期筛查率。

2 人工智能应用于CHD的产后诊断

随着医疗技术的不断发展，CHD的存活率不断提高。据报道[21]，在欧美国家中，90%的CHD婴儿能存活到成年期，而成年人占总体CHD患者的2/3。因此，产后诊断是CHD筛查不可或缺的环节，其主要包括超声心动图检查和心脏磁共振(cardiac magnetic resonance，CMR)检查[21-22]。影像技术的多样化，意味着能从多个维度去看待CHD，为后续治疗提供更为精准的判断。近年来，越来越多的研究将人工智能技术与不同的影像技术结合，实现CHD诊断和分级的智能化。

2.1 超声心动图

超声心动图检查，因具有便捷性、实时性和准确性等优势，是目前CHD检查应用最广泛的影像手段之一，尤其适用于筛查结构性心脏病。超声心动图有多种模态，包括经胸超声心动图、经食管超声心动图、血管内超声、三维超声和超声造影等，各有优势，互相补充。超声的出现极大地提高了CHD的诊断水平，因此许多研究开始将人工智能技术和超声的不同模态结合，推动超声在CHD领域的发展。

Herz等[23]报道，利用全卷积网络分析三维超声心动图，对左心室发育不全患者的三尖瓣进行分割，结果得出的Dice相似系数和平均边界距离为0.86和0.35 mm，为患者后续的手术计划提供快速且准确的参考信息。Diller等[24]的研究纳入132例大动脉转位患者，利用经胸超声心动图的心尖四腔心切面和胸骨旁长轴切面训练DL算法，最终模型的诊断效能为98%，同时模型能准确分割心室结构(Dice相似系数为0.79～0.88)。另有研究[25]应用人工智能技术对四腔心切面进行降噪和去除伪影的处理，结果明显提高了模型对CHD的诊断效能。为克服单切面的局限性，Wang等[26]综合分析指南推荐的5个标准超声切面，人工智能模型判断房室间隔缺损的准确率为95.4%，同时还能准确识别诊断所需的关键帧。该研究的一个不足之处是模型不能自动筛选所需切面，这是因为现有的切面分类模型在CHD患者中不能取得同样的准确性。为此，Wegner等[27]针对多种CHD的影像数据集开发卷积神经网络模型，实现17个标准二维超声心动图切面的自动分类，准确率为76.1%。

2.2 CMR

CMR由于检查程序繁琐、耗时较长、分析效率偏低等局限性，在临床工作中未被广泛应用于CHD的筛查。但相比于超声心动图，CMR具有更高的图像分辨率，对病灶的细节有更为清晰的呈现。CMR能重建心脏的三维信息，不仅在疾病诊断方面表现突出，且能提供更多更全面的预后信息。目前，CMR在CHD领域正发挥越来越重要的作用，与其相匹配的人工智能相关研究也日渐增多。

为解决当前CMR临床普及性低所致样本量不足的问题，有研究团队提出使用渐进式生成对抗网络人工合成CMR图像。为验证这一模型的可行性，学者[28]将原有真实图像和人工合成图像用于训练法洛四联症心脏结构的分割模型，结果表明额外加入人工合成图像后，模型分割效能得到显著提升。复杂CHD患者早期诊断和术前计划的重要条件是心肌和心室的分割。然而，由于CHD心血管结构的高度多样性和心脏缺陷引起的血流动力学变化，分割任务仍面临着巨大的挑战。为此，Chen等[29]开发多尺度扩张卷积模块全连接网络，在CMR图像上分割房间隔缺损，与医学专家分割相比模型误差为1.72 mm。有研究团队也提出一种基于扩张残差和混合金字塔池化网络的集成多任务DL框架，用于心肌和心室的自动分割。在公开数据集中，模型分割心室结构的Dice相似系数平均为0.9[30]。为进一步提升CMR的图像质量，Hauptmann等[31]利用残差卷积神经网络，为CHD患者的CMR图像实现自动去伪影，结果表明利用模型重建数据得到的测量值与医生测量值无显著统计学差异。此外，对比增强磁共振血管造影常用于复杂CHD的评估，而造影剂的使用往往存在剂量相关不良反应的风险。有研究团队[32]利用人工智能技术模拟增强核磁影像，使每次检查的造影剂剂量降低80%，有效降低造影剂引起的不良反应发生率。

目前，众多针对CHD的人工智能模型已被开发应用，这些模型在不同影像模态中自动提取重要信息，极大地提高了疾病诊断的效率。然而由于CHD的罕见性，许多研究只使用了相对较小的数据集，这使模型的泛化能力受到限制。为解决这一实际问题，有学者创新性地提出了采用合成数据补充训练数据量的方法，最终模型效能可达到真实数据的训练水平[28]。

3 人工智能应用于CHD的辅助治疗

CHD由于其生理结构复杂多变、血流动力学紊乱和心脏发育的不确定性，在选择治疗方案时需考虑多方面的因素，这要求经验丰富的医生团队对患者进行详细的评估。然而，在当今医疗资源分配不均、供不应求的背景下，临床医生难以对CHD患者进行全面的评估，尤其是在CHD高发的边远落后地区。为实现CHD的精准治疗，基于人工智能的CHD辅助治疗决策研究必不可少。

3.1 术前决策

Chang Junior等[33]收集2 240例CHD患者的临床数据，比较了6种机器学习算法预测术前死亡风险的效能，最终发现随机森林算法的AUC最高为0.90，且能找到多个关键预测因素。Bertsimas等[34]利用机器学习最佳分类树方法构建CHD手术的风险评估工具，模型预测死亡率、术后机械通气支持时间和住院时间的AUC分别为0.86、0.85和0.82，同时具有可解释性并且给出重要风险因素。Ruiz-Fernández等[35]报道，评估4种机器学习算法，将CHD手术分为低复杂性、中等复杂性和高复杂性，模型判断的准确性为80%～99%。Loke等[36]利用算法在CMR图像上模拟计算法洛四联症修复术后的血流动力学参数，从而预测肺动脉瓣置换术的成功率。这些方法能优化CHD的治疗决策，实现全面质量管理和精准治疗计划。

3.2 术中辅助

CHD患者因解剖结构变异性大和手术复杂程度高，所以出现术中和术后并发症的可能性也相对较大。为此，很多研究利用人工智能技术，提升CHD手术术中和术后管理水平。Lu等[37]利用循环生成对抗网络，将CHD患者的超声和CT影像进行配准用作手术导航，为手术医生提供更为详尽的解剖信息。Zhang等[38]使用生成对抗网络在CT图像上模拟法洛四联症修复手术所需补片的大小、形状和位置信息，大大降低术中误判率。Liu等[39]用机器学习算法优化主动脉狭窄修复手术的血管移植物形状，使血流能量损失降低30%，有效保证血流动力学的稳定性。Lo Muzio等[40]使用法洛四联症术前术后的影像数据训练机器学习模型，在开胸手术期间能以95%的阳性预测值实时评估患者术后情况，帮助心脏外科医生在胸部闭合前做出最优决策。

3.3 术后管理

Zeng等[41]报道，通过集成患者的人口统计学数据、手术特定特征和术中血压数据，开发可解释的机器学习模型用于预测儿科CHD手术后的并发症，模型预测心脏并发症的准确率最高AUC为0.94。Lu等[42]收集房间隔缺损患者接受封堵术前后的CMR数据，构建深度卷积神经网络模型用以分割心腔，提示封堵器的大小和位置从而反映手术成功率，减少术后并发症。Shi等[43]构建可解释的机器学习模型预测CHD患儿术后发生营养不良的风险，这将有助于临床医生提前为患儿制定个性化治疗和营养随访策略。这些研究有效预测CHD手术患者术后的并发症，有利于及时采取治疗措施和提高预后质量。

4 人工智能应用于CHD患者的终生健康管理

随着产前诊断和围手术期管理的不断进步，CHD患者的生存率得到显著提高。然而，这类患者在接受治疗后仍有发育障碍的风险，甚至部分患者会有远期后遗症[44]。因此，利用人工智能技术为CHD患者提供预后预测和健康管理指导，对提高患者远期生存率和生活质量至关重要。

Ruiz等[45]报道，将专家医学知识和患者临床数据集成到朴素贝叶斯模型，预测监护室患儿发生不良事件的概率，结果显示模型在事件发生前1 h的预测效能最高(AUC=0.88)。同样，Rusin等[46]利用DL算法为单心室患儿开发实时监测模型，对所有心肺功能恶化事件自动发出1～2 h的提前预警，模型对独立验证数据具有较高的准确性，中位AUC为0.96。Samad等[47]收集法洛四联症修复术后患者相隔6个月以上的2次CMR数据，训练支持向量机分类器用以预测心室功能恶化风险，其中区分有无恶化及恶化程度的AUC分别为0.82和0.77。Diller[48]等也利用机器学习算法预测法洛四联症患者发生室性心律失常和心源性猝死的风险，并且提出右心房面积扩大和右心室纵向功能下降是独立危险因素。另外，Cainelli等[49]的团队对CHD术后儿童进行至少18个月的神经心理学和精神病理学评估，并且采用机器学习算法进行聚类分析，发现CHD患儿在神经生理方面存在高度的个体间差异，而这些差异先前未能被人们所识别。以上研究不仅能从病理生理学角度对CHD患者进行预后分析，且能对患儿的神经生理发育轨迹进行预测，这说明人工智能技术在评估CHD预后、指导治疗和远期健康管理等方面发挥着前所未有的作用。

5 小结与展望

受基因、表观遗传和环境等多方面因素的影响，CHD的临床表现和发病机制呈现出高度的复杂性和异质性，为疾病的诊断和治疗带来巨大的挑战。当前，人工智能研究在CHD领域方兴未艾，这项技术到底能为医疗行业带来多大的影响，取决于医学、计算机学以及工程学之间的长期合作与共同探索。尽管目前存在数据匮乏、基础设施落后等障碍，但随着大数据学科和人工智能技术的不断发展，CHD诊治模式将转变为个性化和精准化医疗。

利益冲突所有作者均声明不存在利益冲突