基于人工智能的辅助诊断在先天性房间隔缺损筛查中的应用研究

杨宏波 潘家华 王威廉 郭涛 张戈军 唐永研 许虹莉

1昆明医科大学附属心血管病医院（昆明650000）；2云南大学（昆明650000）；3国家心血管病中心（北京100000）

先天性心脏病是最常见的先天性缺陷，约占到出生缺陷的30%，先天性房间隔缺损（atrial septal defect，ASD）占到了先天性心脏病中的约1/4，带来了严重的社会和经济负担[1-2]。根据出生缺陷统计所得先心病发病率为4‰～50‰[3]，造成不同地区所统计的发病率差异的原因为诊断及时性、诊断的条件和手段[4]。据调查全世界各地区的发病率美国（1998-2005）为8.1‰、英国（1985-2004）6.4‰、欧洲 22国为 6.5‰、丹麦（1977-2005）为10.3‰、台湾为10.1‰[5-6]，中国还缺乏相应的注册研究，2012年的中国出生缺陷报道中国目前的发病率为4.1‰[7-8]，明显低于欧美国家，但是国内的数据是来自于许多小的分散医院或学校筛查，可能受限于筛查技术手段和目的人群的选择，与真实数据有差异。随着出生率以及人口流动的增加，先心病患病率可能增至9‰ ～ 10‰[1]。

常用的筛查技术为人工听诊后进行超声确诊，但人工听诊限于听诊器械、主观听诊及环境因素的影响，诊断准确率及误诊率客观存在；超声检查对技术及设备条件要求高，不能进行普遍性确诊筛查[9]。先天性ASD缺乏特异的心脏杂音，常常有误诊和漏诊。基于人工智能的辅助听诊技术利用电子听诊器在医务人员进行先心病筛查时采集心音信号，构建心音库，对采集的心音信号进行数字信号处理，提取相关的病理特征，形成学习与记忆，最后实现机器辅助听诊和诊断。国内外目前仅有电子听诊器对心音进行数字化采集，并无分析和辅助诊断功能，本文将就人工智能的辅助诊断技术在筛查中的应用前景作初步的探讨。

1 对象与方法

1.1 研究对象本研究是一个横断面观察研究，在2017年9月至2018年9月对云南省部分地区17所学校10 142名0～14岁儿童进行人工听诊和基于人工智能的辅助诊断。

1.2 方法

1.2.1 心脏听诊方法5个听诊位置分别是M：二尖瓣听诊区；P：肺动脉瓣听诊区；A：主动脉瓣听诊区；E：主动脉瓣第二听诊区；T：三尖瓣听诊区；听诊顺序依次为：M-P-A-E-T，分别采集心音信号（图1）。

图1 心音组成结构图Fig.1 Cardiac sound composition

1.2.2 基于人工智能心音分析方法运用电子听诊器采集5个部位心音信号并存储于Matlab平台中，按心音信号分析主要包含4个部分（图1），小波阈值去噪[10]，采用希尔伯特-黄变换方法和归一化香农能量方法[11]提取包络及分段定位，采用Mel频率倒谱特征参数（MFCC）来提取心音信号的特征参数，运用高斯混合模型（Gaussian mixture models，GMM）[12]实现机器自动识别心音信号，对心音信号进行病理类别分类。心音信号分析流程图见图2。

图2 心音信号分析流程图Fig.2 Chart of cardiac signal analysis

1.2.3 人工诊断与人工智能辅助诊断对比首先在筛查中采用人工听诊结合便携式心脏彩超辅助诊断，对确诊ASD患儿及部分正常儿童进行心音采集并分析，按照基于人工智能心音分析方法实现人工智能学习。人工智能设备具备一定的辅助诊断功能后，在筛查中将儿童分为人工听诊诊断组和人工智能机器辅助诊断组，为了避免机器筛查误诊率未知带来的危害，对于人工智能机器辅助诊断的儿童最后也需进行人工听诊。对于入院已经心脏超声多普勒确诊病种的患者，在不告知医生的情况下，分为听诊辅助诊断组和人工智能辅助诊断组，比较两组的准确率。

1.3 统计学方法采用SPSS 17.0软件进行统计学分析。计量资料用用均数±标准差表示，两组比较采用t检验，P＜0.05为差异有统计学意义。

2 结果

2.1 人工智能学习心音数据人工听诊后经胸超声多普勒确诊房缺患者145例，共截取心动周期数6 253个，人工听诊后疑似房缺但经胸多普勒超声确诊无先心病患者150例（图3、4），共截取心动周期数6 544个。

图3 正常人的心音信号和经过分析后的时频图Fig.3 Time-frequency diagram

图4 ASD患者的心音信号和经过分析后的时频图Fig.4 Time-frequency diagram of ASD

表1 人工智能辅助诊断学习数据Tab.1 Artificial intelligence assisted diagnostic learning data

2.2 人工听诊诊断与人工智能辅助诊断发现率比较在10 142名儿童先心病筛查中，应用人工智能辅助诊断技术诊断3 762例，辅助诊断完成后均再次人工听诊，疑似病人不纳入人工听诊组分析；直接人工听诊6 280例。人工听诊疑似ASD 92例，经胸超声多普勒确诊12例，人工智能辅助诊断疑似ASD 160例，经胸超声多普勒确诊17例。人工智能辅助诊断与人工听诊诊断比较在发现疑似ASD和确诊ASD上差异无统计学意义（P＞0.05）。见表2。

表2 人工智能辅助诊断发现率Tab.2 Artificial intelligence assisted diagnosis discovery rate

2.3 人工听诊诊断与人工智能辅助诊断准确率比较在入院已经经胸超声多普勒确诊的162例儿童中，在不提前告知病种的情况下，医生独立通过听诊诊断房间隔缺损132例（81.5%），应用人工智能辅助诊断技术诊断出房间隔缺损112例（69.1%）。人工智能辅助诊断与人工听诊诊断在ASD确诊比较上差异无统计学意义（P=0.062）。

3 讨论

常用的先心病筛查技术如人工听诊，限于听诊器械、主观听诊及环境因素的影响，诊断准确率及误诊率客观存在；超声影像学检查能辅助确诊先天性ASD，但对技术及设备条件高，不能进行普遍性确诊筛查，心脏的形态学的详细可视化特别是3D打印技术在先天性心脏病个性化的诊断和治疗中具有极其重要的意义，但是目前还处于探索和研究阶段[12]。基于人工智能的辅助诊断技术不需要专业心脏医生，只需要普通技术人员采集心音信号，输入到心音识别机器，人工智能机器将根据以往的特征学习记忆对心音信号进行分类，从而实现辅助诊断，该技术不受人为主观因素影响，远程也可实现诊断。

虽然国内从1986年开始就开展出生缺陷调查[13]，但是使用全国的出生缺陷监测系统始终很难获得令人信服的流行病学数据，有如下几点原因。首先，先心病的检出率常常受先心病定义范围的不同、选择人群的差异、参与筛查的医院医生的不同、诊断方法和技巧的不同影响[14]；第二，许多先心病的诊断时间窗短，通常在出生后7 d内就发生了严重的症状和合并症，常常给识别和诊断带来困难[15]；第三，超声多普勒不是所有医疗机构或接诊医生都能获得的检查手段，而先天性的ASD乏特异的杂音，许多小的ASD常常不会有明显的症状，因此常常会有漏诊。因此在国内大部分筛查所得出的先心病发病率惊人的低至1.7‰～5.2‰[15-16]。本研究在先天性ASD的筛查中采用人工智能的辅助诊断，可以在大范围内实现统一的诊断标准，确诊率4.5‰是高于人工诊断率的，与国外的数据相符合[17-22]，在确诊率方面（69.1%）不劣于人工听诊，提示该方法有较高的发现先天性ASD率和有效的避免漏诊发生。

先心病发病率的性别相关性在本研究中与文献相符合[18-19，21]，女性更容易患相对简单的先心病，例如先天性ASD，而可能男性更容易患复杂先心病[23]。研究中发现在学龄儿童中先天性ASD的发病率仍然很高，但是先天性ASD在分流量不大时，产生的心脏杂音及临床表现容易被非专业心脏医生忽视，易产生误诊和漏诊，许多患儿被发现时已有明显的肺动脉高压。因此在先心病筛查中必须要有一个漏诊率更低的有效手段，特别是对于缺乏叶酸和缺陷预防手段的贫困边远地区以及特殊人群，例如高龄生产、低体重儿、早产儿[23]。

在发达国家，已经有系统的出生缺陷监测手段和完善的筛查手段，我国部分沿海城市和省份已经建立了筛查治疗网络，但是在国内部分地区还不能有诊断的设备，因此寻找一个有效筛查和诊断方法将为预防和治疗先天性ASD提供更准确的信息。虽然本研究中得到了部分人群的先天性ASD的患病率，但是本研究不是一个以人口多样性为基础的研究，不包含出生后和死亡的人群，因此不完全有代表性。笔者希望早日有相应的注册调查获得完整的流行病学数据，可以继续开发和使用本人工智能筛查手段，并在此基础上建立完整的诊治和随访计划，早日实现先心病死亡率的降低。

综上，基于人工智能的辅助诊断在先天性ASD筛查中有很高的确诊率和较低的漏诊率，是一个有效的辅助筛查手段，在不具有高水平听诊或超声多普勒的地区值得推广。