人工智能在经皮冠状动脉介入治疗中的研究现状和展望

杨靖 张英梅 葛均波

1977年Gruentzig教授［1］完成世界首例经皮冠状动脉腔内成形术，标志着经皮冠状动脉介入治疗（percutaneous coronary intervention，PCI）从此进入高速发展时期。四十多年来，从X线血管造影到腔内影像学，从结构评估到功能测定，新理念、新技术、新设备层出不穷，显著改善了患者预后［2］。然而不断更新的技术和设备也给介入医师带来了前所未有的挑战。介入医师要具备的不仅仅是娴熟的操作技巧，更是高水平的诊疗决策能力。正确的决策往往需要综合考虑患者的所有信息，而不断更新扩大的知识量使介入医师越来越不可能掌握所有技术手段和最新进展。这样的情形在医疗资源匮乏的地区尤其突出。人工智能（artificial intelligence，AI）的应用将极大解决这一矛盾。传统意义上的“机器智能”指的是计算机执行预先设定的规则代替部分人类工作，而通常所指的AI应能让计算机模拟人类的思维过程和智能行为。机器学习的出现，使得计算机拥有“学习”能力，即从原始数据中提取识别特征模式的能力。深度学习是机器学习中的一个崭新领域，其目的在于建立模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据［3］。经过高质量、大样本数据训练而成的AI模型可在特定的任务中接近专家水平，从而解决专业人力短缺的问题，这一技术将对临床实践产生巨大影响。目前，AI在PCI中主要体现在智能影像分析、大数据研究、决策支持和手术机器人等方向。由于各个方向进展不一，并且限于篇幅，本文选择发展相对成熟的应用进行阐述。

1 AI应用于PCI影像分析

对影像的解读是PCI的第一步，也是最为关键的一步。目前影像解读主要在操作者目测下进行，主观性比较大。腔内影像学常辅以半自动测量软件，操作比较费时，而且对专业和经验的要求更高，所以自动化影像分析有望能解决这些问题。医学影像数据相较于病历文本、检验结果来说是最为标准的医疗数据，因此目前AI在医疗领域的应用首先从图像识别获得进展。

1.1 冠状动脉造影

冠状动脉造影已经成为冠心病诊治的常规检查项目，其所包含的信息非常丰富，除了不同投射角度的血管解剖形态和管腔狭窄程度，还有病变性质，甚至血流速度和心肌灌注程度。冠状动脉造影自动分析的研究起步最早，但难度要比CT等影像大很多。主要原因是影像采集时减少放射线而导致信噪比降低，还有心肺运动、毗邻器官干扰及人为位移的影响。传统的血管分割算法可分为模式识别技术、模型法和追踪法三种类型，这些算法可以实现血管树的自动识别、自动分割以及管腔直径和狭窄程度的自动测量和计算［4-5］。近年来，新出现的基于深度学习的算法模型能将造影图像准确区分为血管区域和背景区域［6］。但是很显然，这些研究还停留在图像识别算法的改进层面上，能识别的病变类型比较单一，因此还未达到临床应用的要求。并且，标准的定量冠状动脉造影（quantitative coronary angiography，QCA）分析是在心脏舒张末期进行的，而上述基于单帧图像测量管腔狭窄程度的方法显然并不符合这一标准。2018年经导管心血管治疗（transcatheter cardiovascular therapeutics，TCT）会议报道了深度学习模型经过训练后能在无心电图时自动判定舒张末期的图像［7］，这一进展为进行自动QCA奠定了基础。在该次会议上阜外医院徐波教授报告了冠状动脉造影图像自动分析算法的研究［8］。一方面，研究者将事先人工标注的血管树数据用于深度学习，建立血管分割模型，模型与参考标准相比，准确度接近90%。另一方面，研究者建立了冠状动脉造影病变人工标注数据库，并利用深度学习算法训练病变分型模型。该数据库包括12 159例钙化、血栓、慢性完全闭塞、夹层等大多数病变类型的标注数据。该自动分析的算法能结合病变狭窄程度和病变性质进行定量或定性分析，非常符合临床实践的思路；并且在血管分割算法和病变识别模型基础上，能进一步计算SYNTAX评分及J-CTO评分等常用介入决策评分。毫无疑问，这是冠状动脉造影自动分析模型开发进程中非常重要的进展。

1.2 血管内超声（intravascular ultrasound，IVUS）

准确分辨管腔-内膜、中膜-外膜边界是对IVUS图像中动脉粥样斑块定量分析的关键步骤。近年来，有研究团队利用机器学习算法已实现了对斑块的自动识别、边界的自动分割以及斑块组分的分类［9-12］。除了定量分析，虚拟组织学IVUS较灰阶IVUS能更准确地区分斑块组分，确认高危斑块特性，更好地预测临床事件。美国爱荷华大学的研究团队入选接受他汀类药物治疗的冠心病患者，采集基线时和随访1年时的IVUS影像，综合整体因素和斑块局部因素共254个指标，训练出可以预测特定斑块高危征象的支持向量机分类器［13］。该研究突破了传统统计学方法的局限性，为将来利用AI技术实现早期预测和精准干预提供了启示。针对IVUS空间分辨率有限，检测薄纤维帽斑块（thin-cap fibroatheromas，TCFA）敏感度不高等问题，韩国的研究团队将冠状动脉光学相干断层成像（optical coherence tomography，OCT）图像与IVUS图像进行配准，根据OCT诊断标准将相同位置IVUS中的斑块标注为TCFA和非TCFA，将数据训练卷积神经网络（convolutional neural networks， CNN）模型，结果显示模型预测TCFA的敏感度为82.81%，特异度为87.31%，显著提高了IVUS对TCFA检测的准确性［14］。

1.3 OCT

OCT拥有比IVUS更高的组织分辨率，能对斑块进行更精细的分型，能识别血管内膜、斑块纤维帽、胆固醇结晶、钙化、血栓、支架梁等成分［15］。随着OCT的应用逐渐增多，自动分析的算法逐渐被研究和开发。从支持向量机二元模型区分正常血管与纤维粥样斑块［16］、自动分割管腔轮廓［17］、分支开口的识别和主支管腔轮廓的自动分割［18］等比较简单的学习任务，到深度学习区分OCT中纤维钙化、纤维脂质和其他成分［19］等精确斑块组分的自动识别， OCT图像的自动分析越来越与临床实践匹配。Nam等［20］采用反向传播算法训练单隐藏层前馈神经网络生成可于自动分割管腔边界和支架梁的二元分类器，进一步通过定量计算支架梁突出距离和新生内膜厚度来确定支架贴壁不良和内膜覆盖程度。Abdolmanafi等［21］从33例川崎病患者的OCT影像中选取3149帧图像经人工标注建立训练数据集，采用CNN提取特征、随机森林分类器和多数投票算法结合的方式自动将OCT血管图像区分为钙化、纤维化、正常内膜、巨噬细胞、中膜和新生血管等组织类型，检验表明模型区分特异组织的准确性为0.91～1.0。由上述可知，目前对OCT智能分析主要在验证图像分割和病变分类的准确性阶段，尚未涉及危险评估和诊疗决策等领域。

总的来说，训练精准的影像自动分析模型需要大样本量、高质量的标注和涵盖全部病变类型的数据。目前AI介入影像分析大多还在探讨机器学习算法解读图像准确性的阶段，因此，不免存在研究目的简单、任务单一、可分辨的病变类型少等缺陷。深度学习训练的模型能更贴近现实中的诊疗流程，也更易为医师所接受。因此，这类AI技术更具备转化的前景。

2 AI应用于冠状动脉功能学评估

尽管冠状动脉造影下的管腔狭窄是判断冠状动脉病变严重程度的金标准，但是管腔狭窄的程度与血流储备分数（fractional flow reserve，FFR）定义的心肌缺血匹配程度不高［22］。根据FAME研究［23］结果，中度狭窄（50%～70%）对心肌缺血（FFR≤0.80）的阳性预测值低于40%。我们是否能利用AI技术来提高冠状动脉造影预测心肌缺血的准确率呢？Cho等［24］用数据库中患者的24项QCA参数和4项临床指标训练预测模型，检验结果表明模型预测病变FFR≤0.80的准确性为82%，显著超过了传统QCA。近5年出现的新技术——定量血流分数（quantitative flow ratio，QFR），采用重建冠状动脉造影三维图像，建立计算流体力学的模型，结合心肌梗死溶栓治疗试验（thrombolysis in myocardial infarction，TIMI）血流帧数和指引导管内压力来计算病变远端和近端压力比值获得FFR值。该项技术预测有创FFR≤0.80的准确性为93%［25］。QFR不需要压力导丝和注射腺苷，弥补了FFR的缺陷，并且填补了造影狭窄与心肌缺血之间的空白。但是人工计算TIMI血流帧数不可避免地会受到主观因素的影响。Zhang等［26］用自动计算的血管中心线增长速度来代替血流帧数，实现了QFR的自动测算。改进的QFR计数预测功能性狭窄的准确度达到97%，与原先的方法比较差异无统计学意义，但速度无疑会更快。未来AI应用于冠状动脉功能学的研究方向，可能与机器学习模型预测CTA血流储备分数（coronary CT angiography-derived fractional flow reserve，FFRCT）的方法类似，即用AI算法提取基于造影图像三维重建的血管特征预测FFR［27］。AI预测FFR的速度比根据计算流体力学测得的FFRCT要快很多，可以实时获得结果，减少决策等待时间。

冠状动脉功能学检查不仅能诊断心肌缺血，更能指导稳定型冠心病行PCI。2017年美国心脏病学会会议公布的DEFINEFLAIR研究［28］证实瞬时无波形比值（instantaneous wave-free ratio，iFR）不仅指导血运重建的效果与FFR一样，而且节约时间和费用，更避免了腺苷的不良反应。而iFR在回撤的过程中存在压力导丝漂移现象可造成25%错误诊断［29］。利用AI技术解读回撤压力曲线可能是避免漂移导致误差的新思路。在2018年TCT会议上Justin Davies报道了CEREBRIA-1研究［30］。在该研究中，由15名介入医师组成的专家组和机器学习模型分别对1008例iFR数据进行分析，比较模型和人类专家对PCI适应证和治疗策略的判断。结果发现对于PCI适应证和支架置入的位置，计算机模型的总体表现与专家组相当；但是在可重复性方面，再次分析iFR数据时，专家会对10%患者改变最初的决定，但计算机不会发生动摇。AI模型还能减少误诊和漏诊。被专家认为有PCI适应证的患者中3.8%实际上是因为压力导丝漂移产生的假阳性结果；相反，被认为不需要PCI的患者中27%实际上有干预适应证。

总体来说，AI在冠状动脉功能学评估中的研究和开发尚处于起步阶段，但已经初步显露出优势。在未来，AI除了可以发挥机器学习的特长来突破冠状动脉造影的局限性，还能帮助经验不足的介入医师发现误差导致的决策错误，并提醒医师重新测定。

3 PCI术机器人系统

介入医师长期处于介入操作带来的职业风险中，接近一半的医师罹患不同程度的放射性损伤、白内障、脊柱和骨关节疾病。外科达芬奇手术系统的诞生为介入手术机器人系统的研发提供了灵感。2012年美国食品药品监督管理局批准Corindus公司开发的第一代介入手术机器人CorPath 200系统上市，该系统能够通过遥控机械臂送入和回撤导丝、球囊以及支架导管［31］。PRECISE研究［32］证实在不影响成功率的基础上，使用手术机器人可以降低操作者X线辐射剂量达95.2%。CORA-PCI研究［33］进一步将该系统的适应证拓展至复杂病变，操作成功率达99.1%，对于81.5%患者完全通过操纵机器人完成。并且，该研究表明使用机器人系统尽管增加了操作时间，但并未增加X线照射时间。RAPID研究［34］证实了在外周动脉疾病中机器人手术系统同样具有高度的有效性和安全性。CorPath 200系统甚至有左主干、ST段抬高型心肌梗死等病变的尝试，但仅限于个案报道［35-36］。针对第一代机器人系统存在不能控制指引导管的缺陷，第二代CorPath GRX系统经过改进于2017年通过批准进入市场。新一代的系统能在20 cm的范围内推送、回撤以及旋转5～7 F指引导管，更接近于人类手动的操作模式［37］。有研究显示，CorPath GRX系统操作成功率达到97.5%，对于90.0%患者完全通过机器完成［38］。

医疗资源分布不均是全球性难题。在医疗资源匮乏的偏远地区，介入手术机器人系统结合高速网络通信手段能开展远程介入手术。这对于急性心肌梗死、缺血性卒中等需要紧急开通闭塞血管的心脑血管疾病具有重大意义。Madder等［39］在REMOTE-PCI研究中，在导管室隔壁房间内通过远程通信装置操纵CorPath 200系统为20例患者共22处病变实施介入手术。该研究排除了直接PCI、血流动力学不稳定、桥血管病变、严重多支病变和左心室射血分数＜35%等复杂高危患者。结果表明操作成功率达到95%，86.4%完全借助机器完成，与操纵平台和患者在同一房间时差异无统计学意义。2018年12月4日-5日，印度Apex心脏研究所的Tejas Patel医师对5例患者成功实施了世界首次远程PCI术［40］。这一里程碑式的突破将对PCI术的模式产生深远的影响，也为该技术在全球范围开展大规模的Ⅲ期临床试验铺平了道路。尽管远程手术的真正应用还需要克服网络条件、本地助手的配合、并发症的处理、伦理及资质等的挑战，但是远程手术的理念和技术无疑将为偏远地区急性心肌梗死的救治、介入操作培训和复杂病变的会诊手术提供新的解决方案。

综上所述，在当前医疗数据爆发式增长的年代，AI将逐步进入医疗各个领域，全面提高诊断和治疗的准确性、效率和均质性，可能从根本上改变现有的医疗模式。但我们也应看到AI在医疗中的研究整体还处于初始阶段，目前尚未有可模拟医学专家的AI技术应用于临床。未来AI在冠状动脉介入领域的应用将体现在：（1）术前确定干预适应证，规划和模拟手术入径，预测手术效果；（2）术中利用语音识别技术操纵介入操作平台；（3）实时全自动影像分析和决策支持系统；（4）辅助操作系统和远程机器人手术系统。AI的深度发展也将带来医学模式的转变和人才的更新换代，介入医师应作好AI时代到来的准备。展望将来，AI将取代一部分医师的工作，但是并非对人类智能的全面替代，而是作为人类智能的补充和增强。只有懂得利用AI，甚至是研发AI的复合型人才才能跟上学科和技术发展的步伐。