基于人工智能的成像技术在冠心病诊断中的应用

门婷婷,龚瑞阳,刘 娇,凌 浩,宋春莉*

(1.吉林大学白求恩第二临床医学院,吉林 长春130041;2.吉林大学第二医院 心血管内科,吉林 长春130041;3.吉林省新型冠脉支架技术科技创新中心,吉林 长春130041)

冠心病的早期快速诊断则有助于对患者进行早期干预治疗,避免不良心脏事件发生。在临床上许多成像技术在冠心病的诊断中发挥重要作用,如:冠状动脉造影(CAG)诊断冠心病狭窄程度、冠脉内超声显像(IVUS)显示血管轮廓以及斑块块情况等[1]。然而,这些成像技术的图像分析通常需要由专业人士来进行,大多费时、费力,并且可能由于存在个人主观性导致人为误差,同时图像质量的参差不齐也可能导致图像分析的准确性降低,限制了其更广泛的临床应用。

科技的飞速发展使得人工智能的应用范围不断扩大,机器学习是人工智能的一个分支学科,目前已经开发用于计算机视觉、语音识别、自然语言处理等方面,在医学成像方面也已经有了显著的应用[2]。其中,作为机器学习的一个新领域,来源于人工神经网络的深度学习在疾病诊断方面产生了重大影响。本文将综述基于人工智能的成像技术在冠心病诊断领域的现状,为现有技术的临床应用以及未来技术的进一步发展铺平道路。

1 基于人工智能的冠脉成像技术及应用

本文将从冠状动脉造影(CAG)、多层螺旋CT冠状动脉成像(CTA)、冠状动脉钙化积分(CACS)、冠脉内超声显像(IVUS)、冠脉内光学相干断层成像(OCT)等方面进行介绍。

1.1 冠状动脉造影(CAG)

众所周知,冠状动脉造影是冠心病诊断的“金标准“。然而由于血管结构复杂、图像质量等问题,人工判定冠脉狭窄不仅需要丰富的经验,而且是件耗时且复杂的工作[3]。COMPAS等[4]提出第一种CAG中全自动的狭窄检测方法,但未量化狭窄程度(敏感性为86%,特异性为97%);而另一种方法则在自动检测狭窄血管的同时实现了狭窄血管的自动定位与分级,且敏感性较前有所提高(敏感性为93.93%,特异性为91.03%)[3]。然而,以上两种方法均有着复杂的预处理步骤,这不仅耗时,还可能导致检测结果错误。为避免繁琐的预处理步骤,部分学者开始提出基于神经网络的CAG 血管狭窄检测方法。考虑到仅通过单帧进行狭窄血管的检测可能会导致假阳性结果的增多,WU等[5]提出基于卷积神经网络(CNN)的CAG血管狭窄检测方法则通过连续帧的检测来减少误报数量,检测性能优于之前的检测方法,但并未关注狭窄的性质和程度。而MOON等[6]提出全自动狭窄识别算法则聚焦于关键帧,通过弱监督深度学习方法实现了狭窄血管的分类以及自动定位,多次交叉验证证实具有良好性能,但仅适用于右冠状动脉,未来有望通过迁移学习应用于其他血管造影成像。还有学者尝试将人工智能应用于CAG视频,表明人工智能可以通过CAG 视频判定具有临床意义的狭窄存在与否,但仍需在大规模的样本研究中进行验证[7]。一项研究证实了深度卷积网络(DCNN)可用于建立CAG图像的预测诊断模型,并合成CAG图像,有望辅助医生诊断,增进其对罕见心脏病的了解[8]。

1.2 多层螺旋CT冠状动脉成像(CTA)

CTA作为一种无创诊断技术,近年来在冠心病患者的诊断和评估受到广泛应用[9]。一方面CTA主要用于检测动脉狭窄情况:KANG等[10]首次提出一种基于机器学习的自动检测狭窄的方法,与专家相比有着高灵敏度和高特异性;HAN等[11]以DSA为参考,证明了基于人工智能的CTA较传统CTA有更好的检测性能。以上研究均可以证明,基于人工智能的自动检测狭窄方法不但可以提高检测速率,检测准确性也是值得信赖的。此外,LI等[12]利用深度学习先后进行动脉分割及CAD分类器的建立实现了CAD快速诊断和分类,但仍不能完全代替人工操作。另一方面CTA则用于斑块表征:ZREIK等[13]第一次基于递归神经网络实现了对斑块进行自动检测以及表征,与之前方法不同,该方法仅需输入CTA图像中的冠状动脉中心线,并且可以进行非钙化斑块的检测。RAJENDRA ACHARYA等[14]在未利用深度学习的情况下,实现了斑块的自动检测和分类,并且灵敏度(91.83%)达到了较高水平。以上方法均是关注狭窄或斑块其中一个方面,但是Xin Jin 等人将神经网络与放射组学相结合,通过模仿临床工流程同时进行自动斑块分类和狭窄分级,并且在不同的数据集上均表现出高性能,与之前的研究相比有着更高的准确性及灵敏性。

1.3 冠状动脉钙化积分(CACS)

研究表明,冠状动脉钙评分不但是提供冠状动脉疾病存在的重要信号,同时也可以预测不良心血管事件的发生[15]。人工进行钙评分是个非常复杂的过程,但通过人工智能的辅助则能在很大程度上节约时间,因此自动化钙评分一直是研究热点[16]。通过通常钙评分是在非增强CT上测定,在深度神经网络兴起之前就有很多基于传统算法的自动钙积分检测系统[17-18]。CARLOS CANO-ESPINOSA等[19]提出一个基于卷积神经网络的深度学习框架,直接从CT图像得到Agatston评分,无需预先进行分割,且与参考标准的相关性较强(ρ=0.932;P<0.0001)。WANG等[20]在利用深度学习进行自动钙积分的同时实现了心脏危险分层,也证明人工评分和基于深度学习的评分在Agatston、质量和体积评分均无显著性差异。此外,为了避免获得CACS而进行CT扫描,有学者尝试利用卷积网络对CCTA图像进行CAC自动评分[21],之后一项研究则利用递归神经网络获得了更高检测灵敏度[15]。MU等[22]利用深度学习进行自动CAC评分的同时更是实现了风险分类。由于吸烟是肺癌和心血管疾病的共同危险因素,作为吸烟者的肺癌筛查手段的胸部CT也可进行钙评分,因此通过胸部CT实现冠脉自动化钙评分,可以减少辐射负担,并在早期识别具有心血管病高风险的患者[23]。SHADMI等[24]利用全卷积深度神经网络实现了自动冠状动脉钙化分割同时进行Agatston评分,并且与专家手工注释相比,相关性很强(ρ=0.932)。LESSMANN等[25]应用序贯CNNS同时实现了对CAC、TAC和心脏瓣膜钙化的自动检测,之后一项多中心研究对此算法进行验证,证明其在几种类型CT及各种人群中均有良好的检测性能,并且通过训练进一步提高了算法的性能[26]。

1.4 冠脉内超声显像(IVUS)

冠脉内超声(IVUS)通过超声探头对冠脉进行横断面成像,可以显示血管的狭窄程度、轮廓、以及血管内的斑块情况。由于在IVUS图像中准确分离冠脉血管及其内部结构对心血管疾病的诊断有着重要作用,因此人工智能在此项成像技术的应用大多聚焦于冠状动脉的分割[1]。YANG等[27]提出了一种基于全卷积网络的模型用于冠状动脉的分割且容易泛化。一个基于大数据集的CNN模型分割IVUS上的腔、血管及支架结构,获得了与专家人工分割一致的效果[28]。有学者提出利用AI对血管成分分类,并在复杂病变IVUS图像中对狭窄及钙化有较高的分类准确率[29]。此外,在IVUS图像上也可以进行斑块表征,HWANG等[30]提出了一种对斑块特征分类模型,通过混合集成模型提高准确性,达到了良好的分类结果和精度。JUN等[31]利用多个机器学习分类器对易损斑块进行分类,证明CNN分类器表现最好。

1.5 冠脉内光学相干断层成像(OCT)

光学相干层析成像(OCT)是一种新型的冠脉内成像技术,它可以对冠脉结构进行高分辨率成像,近年来逐渐应用于冠心病诊断领域[32]。研究表明,OCT对易损斑块和钙化斑块检测性能良好[32-33]。ATHANASIOU等[34]提出自动检测斑块的方法,灵敏度为83%,但只表征了钙化斑块;XU等[35]提出基于OCT图像进行冠心病的自动检测系统,实现对健康对象和不健康对象的分类,但以上两种方法均基于传统算法。 LIU等[33]提出基于深度卷积神经网络易损斑块自动检测系统,检测质量得分为88.46%。SHI等[36]并未选择识别原始图像而是通过提取感兴趣区域,利用视觉注意模型和多任务神经网络实现对易损斑块的识别,同时证明医生的经验知识可以在数据缺乏的情况下提高模型的识别性能。

1.6 其他成像技术

除以上提到的成像技术,人工智能其他成像技术领域也有应用,如:ZHANG等[37]利用深度学习实现了基于CMR图像的慢性心梗的自动诊断,同时可以识别心肌梗死的位置、跨室壁性和大小,对患者的下一步治疗计划有着指导意义;并且这项技术基于非增强图像,可以免除造影剂对人体的影响。KHOZEIMEH等[38]将CNNS和随机森林结合第一次提出了基于CMR图像的CAD检测方法,并且具有的很高准确率(99.18%)。作为一种无创的检查手段,CMR通过与人工智能的融合,未来的应用范围也会越来越广。HAGIO等[39]利用深度学习通过MPI极图自动预测阻塞性冠状动脉疾病,并且性能优于标准的总灌注缺损(TPD),之后的研究可以检测其推广性,这也为冠心病的诊断提供了一种新途径。

2 总结与展望

目前基于人工智能的多种成像技术都对冠心病诊断进行了探索,但目前的研究大多都是回顾性研究且研究对象的规模不够大,之后需要更大规模的研究以及前瞻性研究对其进行验证。未来关于这方面的研究也应该更重视临床实践,构建包含人工智能在内的对医生、患者均有利的最佳诊断流程[40]。

基于人工智能的成像技术要真正应用冠心病诊断的临床实践,需要关注几个问题:首先要解决的问题就是大规模数据的收集,很多自动检测模型在正式投入使用之前需要大规模的数据进行训练,数据来源有待解决。其次就是信息安全问题,保证患者隐私不被泄露是非常必要的[40]。除此之外,还应通过大数据建立复杂的非线性关系,实现针对不同个体的精确诊断[41]。最后,由于算法本身具有的“黑匣子”特性,发生错误可能无法进行溯源,这将不利于其在临床实践中的应用[42-43]。

总而言之,基于人工智能的成像技术在冠心病诊断领域还处于初步发展时期。未来,在人工智能的辅助下,有望大大提高诊断速率,降低人为误差,并且可能先于医师发现微小病变,实现快速、精确、早期诊断。