邢园园,薛红元综述 叶玉泉审校
随着超声技术的不断发展,20世纪90年代初出现了三维超声心动图(three-dimensional echocardiography,3DE)并逐步应用于临床。3DE的优势在于避免了几何假设,可以更准确地定量心腔,对心脏功能的评价更加准确。全容积心脏图像还可以任意角度切割观察,为心脏瓣膜病、先天性心脏病等疾病的超声诊断提供了新的视角。其可更直观地显示心脏三维解剖结构,也便于与临床医师沟通。人工智能(artifcial intelligence,AI)目前在医学领域主要应用于X射线、计算机断层扫描(computed tomography,CT)、心脏磁共振成像(cardiac magnetic resonance imaging,CMR)等静态图像的分析[1-2],研究人员也试图将其应用于动态图像中。近年来出现了一系列与AI相结合的3DE软件[3]。现就3DE及AI在心脏相关疾病中的临床应用、研究进展及未来应用前景进行综述。
1.1 三维超声心动图 早期的3DE基于人工扫描或机械旋转传感器采集图像后再进行三维重建。最新的三维全容积矩阵探头已经可以实现实时三维心脏超声图像的采集,新一代的经食管三维超声心动图(three dimensional transesophageal echocardiography,3D-TEE)更进一步地拓宽了三维超声的应用范畴。
1.2 人工智能 AI本质上属于一种计算机程序,可以通过模仿人类思维过程来执行人类智能任务[4-5]。AI已在游戏、社交媒体和机器人技术中使用了很长时间[6]。近年来由于计算机技术的进步和高级神经网络的创建,AI在医学成像领域得到了快速发展[7],目前计算机视觉系统已经可以完成一部分专家水平的图像诊断任务[8]。此外,AI 还可以应用于图像采集、处理、报告和跟踪,具有巨大的发展前景[9]。
1.3 机器学习 机器学习(machine learning,ML)是一种人工生成的计算机算法。计算机通过已输入的数据进行学习,当出现类似数据,即可使用之前学习到的经验来预测结果[10]。ML属于AI的亚领域,也是AI的核心部分——计算机获得智能的关键所在。ML是一个比较广泛的概念,包括几种不同的算法,大致可以分为有监督学习、无监督学习、半监督学习和强化学习[11-12],其中有监督学习和无监督学习最常出现在技术领域和研究开发领域。
1.4 深度学习 深度学习(deep learning,DL)也称为深度神经学习网络。DL不需要在数据分类之前使用特定特征进行训练,而是由互连节点组成的神经网络来定义数据点之间的关系,是一种更高级别的ML算法。DL与传统ML最大的区别在于DL使用多层神经网络,它模拟了人类的神经通路,允许计算机系统读取、构建和学习更加复杂、大量的数据集,这些人工神经网络通常深达数百层,在这些多层结构中,数据被连续处理,直到获得最终的输出结果[13-14]。
1.5 卷积神经网络 DL包括卷积神经网络(convolutional neural network,CNN)、堆叠自动编码器、深度置信网络、深度玻尔兹曼机。其中CNN可以将输入数据分层,根据不同的特征进行分类,能够准确执行模式识别[15]。CNN近年获得极大关注,它对包含1 000个不同类别的100万张左右的图像进行分类,错误率仅为传统DL方法的一半[16-17]。目前CNN已被广泛应用于影像医学诊断[18-19],是超声心动图与AI结合的研究热点。
2.1 左心容积和功能 左心室容积和功能评估是超声心动图的关键[20]。欧洲心血管影像协会/美国超声心动图学会(EACVI/ASE)已经推荐将3DE测量左心室容积应用于临床[21]。应用3DE不仅可以准确评估左心室整体容积及功能,还存在可以评估左心室局部容积及功能的可能性。左心房容积和功能的评估在心血管系统疾病诊断中也起着非常重要的作用。3DE测得的左心房最大容积(maximal left atrium volume, LAVMAX)与CMR结果相关性良好,是严重心血管疾病的预测因子。传统3DE分析方法需要前期进行专门的人员培训,并且手动描绘心内膜操作繁锁、耗时,无法适用于日常临床工作。目前,已有多家仪器供应商研究了AI相关软件对心脏结构和功能进行快速评估,例如Philips公司研发的Heart ModelAI(HM)是与AI相结合的3DE软件,其原理基于解剖智能超声模型的分割算法,可一键对左心容积进行测定,简单、快速评价左心室收缩功能[22]。HM分析软件存入1 000多个3DE的数据模型,首先自动检测出收缩末期及舒张末期,软件自动追踪左心室心内膜、匹配体积和形状。HM可以自动测量左心室射血分数(left ventricular ejection fraction,LVEF)、左心室舒张末期容积(left ventricular end diastolic volume,LVEDV)、左心室收缩末期容积(left ventricular end systolic volume,LVESV)、LAVMAX。Tsang等[23]首先应用HM、3DE、CMR分别对左心室和左心房进行了对比研究,其研究结果显示,应用HM可以同时对左心室和左心房进行定量评估,其自动测量结果与手动测量的3DE、CMR均有很好的相关性。Medvedofsky等[24]对HM技术进行了一项多中心研究,其研究结果同样显示HM测量左心功能的准确性和可重复性。在国内的研究中,申斌等[25]通过HM与心脏超声造影进行对比研究,进一步确认了其评价左心功能的可行性。李萌等[26]通过将HM自动化测量与进行轮廓调整后的数据与传统3DE进行对比,其结论是HM对左心室容积的自动评估与3DE有很好的相关性及一致性,自动测量后对描记左心室心内膜进行轮廓调整可以提高测量准确率。目前,HM已经在不同人群中进行评价分析,结果良好,对部分心脏疾病的心功能评价也有可行性[23,27-30]。但对于失去正常形态的左心室功能评估较少,且尚未涉及左心室局部容积及功能的评价[31]。此外,HM已经可以对整个心脏容积进行自动测量和左心室质量测定[32-33]。AI软件与“金标准”CMR的相关性和一致性好。尽管如此,心内膜的识别仍然容易出现一定的误差。随着AI技术的不断发展,一些研究人员试图应用不基于容积测量的评估方法来减少这些误差。这些算法模仿了专业技术人员的眼睛和大脑功能,而不是通过追踪心内膜和计算心室容积来得到心脏功能[34]。AI还可以帮助年轻医师快速得出更加准确的超声诊断结果[35]。
2.2 右心容积和功能 由于右心室复杂的几何形状,常规二维超声很难对其进行评估。3DE可以快速、准确对右心室的容积和功能进行评估。同3DE对左心室容积的评估相似,与CMR相比也会低估右心室容积,但对右心室射血分数的评估更准确。Grapsa等[36]证实了3DE对肺动脉高压患者右心房容积的评估也有重要价值。3DE的优势还在于解剖关系的可视化,3DE应用于右心房可以观察到很多二维超声无法观察的结构,如静脉嵴、冠状静脉窦开口、三尖瓣环及欧氏瓣等。与左心室的AI自动评估相比,右心室的AI自动评估相对困难。Bersvendsen等[37]构建了一个多心室模型,该模型允许对左心室和右心室进行分割。多心室模型的建立可以对整体心脏功能进行临床表现的评估。Levy等[38]发现应用可以识别边界的随机森林模型也可以准确识别右心室。
3.1 冠状动脉粥样硬化性疾病 冠状动脉粥样硬化性疾病(CAD)是最常见的冠状动脉疾病之一。3DE及AI相关软件可以更简单、准确地评估心脏局部室壁运动及心脏形态,并且还可以对左心室质量进行定量评估来进行冠心病诊断。
3.1.1 左心室壁运动评估:超声心动图可以通过识别局部室壁运动异常(RWMAs)来诊断缺血性冠状动脉疾病。经过培训的超声心动图医师对急诊胸痛患者进行RWMAs评估是诊治原则中的Ⅰ类推荐[39]。传统2DE可以通过多切面扫查来评价RWMAs,而3DE仅需在一个位点进行扫查即可得到左心室全容积图像,获得更全面的室壁运动信息。Kusunose等[40]应用DL算法构建了心肌梗死自动诊断模型来检测RWMAs,准确性与有经验的超声心动图医师相似。
3.1.2 左心室形态评估:应用超声心动图对心脏形态进行图像分析在CAD临床诊断中也起到了至关重要的作用[41]。3DE可以对心肌梗死后心室重构进行更准确的评价,其不仅可以定性评估动脉瘤等左心室形态的改变,还可以得出球形指数(SI)。随着心功能恶化,心室会从正常的椭圆形向球形转变,SI是急性心肌梗死后左心室重构的早期及独立预测因子。Zhang等[42]通过应用已知结果的超声心动图图像对AI软件进行“训练”,从而在新样本中对左心室形态进行识别、分类。
3.1.3 左心室质量评估:左心室质量的增加是很多心血管病的独立预测因子。3DE图像采集是基于全容积心内膜及心外膜的识别,更准确地测定心肌体积,从而得到左心室质量。Qin等[43]对羊尸检结果显示,M型超声心动图(M-mode echocardiography,MME)高估了左心室质量(10%±21%),2DE低估了左心室质量(-19%±9%),而3DE提供了最接近的估测值(-8%±7%)。应用3DE评估左心室质量虽然有临床应用价值,但软件操作繁锁,尚未较好的应用于临床。Streiff等[44]建立了猪和羊的心肌梗死模型,尝试应用AI自动分析软件对左心室质量和应变进行评估。
3.2 心脏瓣膜病 3DE在评价心脏瓣膜病方面有其独到的优势,可以更加直观地显示瓣叶数目、位置、瓣膜及瓣下装置等,并且可以进行多平面重建,提供了瓣膜完整、立体的图像,同时更容易与外科医生交流及进行手术方案的制定。
3.2.1 二尖瓣疾病:3DE通过体积渲染的方法可以描绘二尖瓣复杂的鞍形结构,形象地显示二尖瓣结构,从而测量其前后径、前外—后内侧径、二尖瓣环高度、二尖瓣面积、前后瓣膜接合部长度、接合部面积及主动脉与二尖瓣平面的夹角等多种2DE无法获得的二尖瓣相关参数。在二尖瓣狭窄(mitral stenosis,MS)的评估中,可以通过裁剪图像正确识别瓣口形态,测得最小的瓣口面积。在二尖瓣关闭不全(mitral regurgitation,MR)的诊断中,3DE可以更准确地判定反流口大小,从而避免了多个偏心射流所引起的反流口低估可能。由于二尖瓣瓣环与瓣叶并非平面关系,传统的2DE常常过度或者低估二尖瓣脱垂(mitral valve prolapse,MVP)的程度,尤其在复杂性MVP中差别更为显著,3DE可以显示脱垂的确切位置和有无断裂的腱索。AI软件的出现并与3DE相结合又为各种二尖瓣疾病的诊断提供了新的思路。Kagiyama等[45]使用AI自动化软件(Mitral Valve Navigator)对MVP进行定量评估,与手动方法相比,AI自动软件可以获得更多相关参数,并缩短了分析时间[(260±65)s vs.(381±68)s,P<0.001]。3DE可以从左心房方向观察二尖瓣的形态及瓣周结构,从而为二尖瓣疾病的手术治疗提供更多更准确的参考信息。应用3D-TEE可以评估瓣膜受损的具体情况和部位,定位穿房间隔的最佳位置。Jeganathan等[46]应用AI自动化软件(eSie Valve Software)对二尖瓣围手术期评估具有可行性。
3.2.2 主动脉瓣疾病:在主动脉瓣狭窄(aortic stenosis,AS)的诊断中,瓣口的准确测量至关重要。3DE可以从长轴及短轴各个切面进行评估,能够准确找到瓣口狭窄平面。3DE还可以对冠状动脉开口的位置及与主动脉瓣环的距离进行测量,并对主动脉瓣关闭不全(aortic regurgitation,AR)进行实时评估。但由于声窗距离主动脉瓣较远,3D-TEE对主动脉瓣评估会更有优势。Calleja等[47]应用3D-TEE结合AI软件(auto valve siemens)自动量化评估AS和AR,与专家评估的结果进行对比表现出色(ICC=0.99)。主动脉瓣置换对于严重的AS 治疗至关重要。3DE在主动脉瓣置换术前需要评估瓣膜狭窄程度,为确定人工瓣膜的大小提供充分依据。在瓣膜置换术后心内膜炎诊断和预后评估中也有重要价值。3D-TEE被推荐应用于引导经皮主动脉瓣置换术,其可以更准确、直观地评估主动脉瓣口的面积。在手术中,3D-TEE也可以判断导丝、导管及置换瓣的正确位置,并时刻监测并发症的发生风险。Prihadi等[48]的研究也证实了AI软件与3D-TEE结合对主动脉瓣环和主动脉根部的评估与心脏CT测量结果一致性好。此外,AI软件还可以显著缩短分析时间,提高诊断效率[49]。
3.3 先天性心脏病 3DE可以应用于先天性心脏病(congenital heart disease,CHD)诊断中,在房间隔缺损的评估中,2DE在对缺损大小的评估时可能会出现低估的现象。3DE可以准确地评估缺损的类型、大小、位置,以及与相邻结构的位置关系,对于选择合理的手术方式和封堵器大小有着非常重要的作用。同样的,对于室间隔缺损,3DE也可以进行更准确的评估。3DE尤其对于解剖结构较复杂的CHD更具优势。AI软件在CHD的诊断也取得了一些进展,有研究应用DL对大动脉转位(transposition of the great arteries,TGA)或矫正型大动脉转位(congenitally corrected transposition of the great arteries,ccTGA)进行诊断研究[50],该研究对132例患者(包括TGA和ccTGA)和67例正常对照者应用CNN自动分割系统来识别心室,诊断符合率为98.0%。Nabi等[51]的研究证实AI自动诊断程序支持向量机也可以自动诊断房间隔缺损。
3DE时间和空间分辨率较低,随着扇角的增大和深度的增加分辨率会进一步降低[52]。除了在其他医学相关领域应用中的常见局限性以外[53],AI在超声心动图中的应用还存在一些特定的局限性。首先,医患之间的直接交流在心脏疾病诊断中扮演着无可替代的角色,而目前的AI技术与超声心动图相结合在人机交互方面还尚未发展成熟。由于受心率等的影响,超声心动图标准化切面的采集比其他器官更加困难,不利于多中心研究的数据收集。此外,不同种族之间心脏生理和解剖结构的差异也不容忽视。这意味着根据特定人群数据库建立的AI模型可能无法适用于其他人群。因此,在进行AI软件应用时,还需要考虑对应人群的最佳参数设置。
3DE在临床中有很好的应用前景,目前推荐的应用范围包括心脏容积和功能、心脏瓣膜病、冠心病、先天性心脏病等。对于心脏介入手术则推荐应用3D-TEE来进行引导[52]。尽管目前超声心动图检查是诊断心血管相关疾病最重要的影像学方法之一,但在一定程度上仍然受到操作者临床经验的影响。AI能够准确识别各种超声心动图特征并预测结果,且不受操作者经验的限制。AI在超声心动图图像获取、图像识别和定量分析中提供了广泛的支持。随着技术水平的不断发展,提高三维超声的时间和空间分辨率、进一步提高图像质量、AI与3DE相结合及3DE与CMR、CT等影像学技术相互融合,将使得超声心动图能更多、更好地应用于临床,并随着超声医师操作水平的提高而更全面地与临床医师共同合作,促进心脏疾病诊断及治疗水平的进步。