机器学习在心血管疾病影像学诊断中的应用

宋闻英 深圳市精神卫生中心/深圳市康宁医院心电图室 （广东 深圳 518000）

内容提要：影像学资料是心血管疾病的临床诊疗的重要参考数据，临床检验师可根据患者的影像学资料对患者的临床信息进行判定，为进一步的临床干预提供指导。但在实际使用的过程中，限于人员临床经验及获得影像学资料的主观性，其临床利用率较低。如何提升影像学资料的价值，以机器学习为代表的人工智能手段提出了新的解决思路。文章总结了机器学习在心血管疾病影像学诊断方法中的应用，对已经获得的方法进行了对比，为后续机器学习在临床诊断、小样本的深度分析及临床应用提供了参考。

随着临床影像学的发展，临床检验设备的创新以及检验医生经验能力的提升，临床影像学的准确性不断提高，但在实际的操作过程中仍然面临着大量的问题。如：限于不同医院仪器设备的差异以及诊断医生的能力限制，存在着部分临床图像无法分辨，导致临床采集的数据利用率不高，诊断医生工作效率不高的问题。医学影像学多为经验医学，出具的报告单多由诊断医生形成，而医生之间的经验会导致最终结果的差异，因此，出具报告单是否能够真实、全面、正确地反映患者的病情，尚需评断。如前所述，临床医生的经验，会对采集部位、最终的诊断结果产生影响，这就需要临床诊断医生通过大量的临床训练来弥补上述不足，随之产生的时间及精力成本对整个行业都是巨大的挑战。作为临床的重要手段之一，现代影像学在临床多用于疾病的定性诊断，然而，如何利用现有的临床诊断数据，用于定量，尤其是综合临床其他的诊断数据，对患者的身体情况进行综合的评价，尚需要大量的积累。

机器学习是伴随人工智能发展的一门学科，是人工智能的一个子领域，机器学习算法根据描述数据的专家工程特征学习执行任务。大量的研究显示，机器学习可以有效地应用于现代化的影像学的应用当中，利用其多层结构的算法及深度学习特性，潜在性地提升医学影像学的精度，同时，也为后续的精准治疗提供数据接口。

1.机器学习契合在心血管疾病诊断

机器学习隶属于人工智能范畴，作为现代信息化技术，其利用现有的多角度的平面化数据及分析结果总结算法，建立多维模型；而这些模型可以模拟人脑的神经网络，通过持续不断的算法训练，利用深度信念网络、卷积神经网络、循环神经网络、生成式对抗网络及胶囊网络等学习模型，将复杂的数据简化，最终输出判定结果[1,2]。而机器学习的过程，特别适用于临床影像学的判定。

作为临床应用影像学最多的疾病，心血管疾病往往需要以影像学的资料进行临床的辅助诊断，同时作为临床最为常见的疾病，以心血管疾病为切入点，可以快速提升机器学习在医学影像学中的应用效果，弥补其临床的缺点。基于此，下文将深入探讨近年来机器学习在心血管疾病诊断中的应用，为实现心血管疾病的早期诊断及早期治疗提供信息化的支持。

2.机器学习在冠状动脉钙化值评估中的应用

在动脉粥样硬化发病过程中，冠状动脉钙化（Coronary Artery Calcium，CAC）是判定心血管不良事件预后的重要参数。但CAC的计算方法尚存一些问题亟待解决。如对于钙化范围的判定，虽然影像学多以不同部位的钙化趋势作为判定标准，如分别以点状、节段及弥漫性钙化定义钙化的程度，但对于病灶位置的选择及钙化形态的判定多依赖于临床医师的经验。基于此，Wolterink等[3]尝试以机器学习的方法，对CAC钙化点的位置及面积进行提取，以深度学习自动定量模式识别手段，直接定量CAC，从根本上细化了CAC值的计算方式；Shadmi等[4]则建立了以全卷积深层神经网络为内核的冠状动脉钙化自动分割方法，用于评估CAC值，最终的统计结果显示，该方法准确高效；Datong等[7]基于大量的临床影像学数据，构建了一种基于深度学习的算法，用于评估CAC值，可准确检测复杂影像学背景下的冠状动脉钙化点/面；Yang等[5]则根据已经获得的CT图像中，主动脉、心脏和冠状动脉等部位的分割结果，其对CAC值计算的灵敏度和阳性预测值分别为98.9%和94.8%。

3.机器学习在心血管疾病超声诊断中的应用

超声诊断是心脏类疾病检验中重要的检测手段，其利用超声直接获得心血管的结构信息，进而对患者的病情进行判断。超声心动图因其便携性、高时间分辨率、无辐射、成本低而得到广泛应用。在过去几年中，欧洲心脏病学会推荐超声心动图用于大多数心脏疾病的诊断和预后。这些建议导致需要认真处理和审查的已执行研究数量大大增加，图像分析的标准工作模式（包括量化和报告）已经变得非常耗费资源和时间。基于超声技术，现在已经开发出一系列的商业软件用于临床数据的直接分析，如通用的EchoPAC系统、飞利浦QLAB系统等。然而相对于心血管疾病的复杂性，单纯的血管分割、血液流变学分析已经无法满足临床的实际需要，针对软件获得结果，仍然需要医师后期进行系统的解析方可实现。具有数字超声心动图图像的大量数据集的存在和人工智能技术的发展创造了一种环境，在这种环境中，人工智能解决方案成为解决问题的方向，利用机器学习则可实现该过程的人工智能化，以此来实现当前的手动工作流程的自动化。目前，以图像采集、分析、报告和教育的人工智能解决方案已开发用于超声心动图的诊断和预测任务，图像质量增强、自动图像视图分类、心功能评估、疾病分类和心脏事件预测的性能总体良好，左心室功能评估和量化最为常见。未来，人工智能在超声心动图中的主要优势预计将来自自动化分析和解释的改进，以减少工作量和改善临床结果。如Khamis[6]以临床的309张UCG图片建库，提取图片的空间特征并建立监督型字典，对患者的心尖病变进行判定，经过模型的训练，其对UCG图片的识别和分类的准确率高达95%。Knackstedt等[7]以255名窦性心率患者的心脏超声数据为数据库，以TomTec机器学习系统采集射血分数和双翼纵向应变的数值后，对比机器测量值同人工评估的值进行对比后可知，最终模型的准确率可达98%。Dong等[8]尝试以机器学习手段对3D超声心动图进行左心室心内膜的分割，其结果显示，以机器学习手段对模型进行修正，大幅提升了临床图片的判断率。由上述结果可知，以机器学习对心血管疾病超声的数据进行整理，效果较好，有很高的临床应用潜力，可以在未来替代部分医生的工作。

4.机器学习对动脉粥样硬化斑块性质识别的应用

机器学习还可直接评价动脉粥样硬化斑块的性质。在动脉粥样硬化发病的过程中，斑块的性质，尤其是其进一步增大、破裂是其后续血栓性疾病发生的关键。因此，利用影像学资料对斑块的形态及性质进行初步判断，是降低动脉粥样硬化患者临床风险，预防血栓脱落，造成心梗及脑梗的关键。虽然血清炎症因子等指标可以直接反映斑块的理化性质，但在临床仍然以影像学资料描述斑块的性质，常见的检测手段包括：多层螺旋CT、宝石CT能谱成像、高分辨率磁共振成像、增强磁共振成像、常规超声、对比增强超声造影、血管内超声及血管内虚拟组织学超声等[9,10]。相比于CAC值的评估，动脉粥样硬化斑块的性质判定需要的检测经验更多，对医师的检验能力要求更高，而利用机器学习技术，是解决上述问题的潜在路径。Gessert等[11]利用3位临床专家标记的临床患者CT图像数据集，以深度学习模型对上述数据集进行分类。最终，该模型可以有效地对斑块的分期进行分级，而最终的分级，准确度为91.7%，灵敏度为90.9%，特异性为92.4%。Kolossváry等[12]则利用放射组学的数据库，以机器学习反复训练对上述图像进行深度学习。通过对模型的反复训练，餐巾环征斑块和非餐巾环征斑块之间，有20.6%（916/4440）的放射组学显著性差异（Bonferroni校正后的P<0.0012），该结果可以用于餐巾环征的CT影像学识别。

5.机器学习在心血管影像分割中的应用

冠状动脉狭窄是冠状动脉粥样硬化性心脏病发生的主要原因之一，针对冠状动脉狭窄的评估，可以为后续的心血管疾病诊断治疗，提供第一手的依据。临床上，常常以影像学手段对冠状动脉进行评估。但由于冠状动脉结构复杂，不同部位、不同类别的图象，均有各自不同的特点，因此首先需要对血管进行系统的分割，如多尺度法、区域生长方法、匹配滤波法、数学形态学法、基于血管架构的方法和基于脊的方法[13]。考虑到冠状动脉血管的复杂性，如何实现对冠状动脉整体的分割，分别考察其诊断意义，是心血管影像学亟待解决的问题。

为了识别心外膜脂肪组织和冠状动脉血管，Commandeur等[14]以250名无症状志愿者的CT数据为训练集，分别利用多任务卷积神经网络（ConvNet）和统计形状模型对上述数据集进行机器学习，该模型可有效识别心外膜脂肪组织和胸腔内脂肪组织，接近专家的量化评价值。为了将冠状动脉血管从造影结果中有效分离出来，并进一步真实反映其临床形态，Tan等[15]以多通道全卷积网络进行深度学习，从X射线血管造影结果中识别伪影，经过模型的反复训练，最终可真实地反映出冠状动脉血管的结构，该方法可以有效地对冠状动脉血管进行分割，大幅提升了冠状动脉血管的影像学识别效率。在Bratt等[16]的研究中，其利用神经网络分割了心血管磁共振所获得的冠状动脉血管数据，有效地识别了相差。其根据主动脉瓣边界的临床影像，对150名患者的心血管磁共振资料进行分析，经过机器学习后，大幅提升了该模型对于PC的识别。

6.展望

随着人工智能的发展，机器学习在医疗领域的应用范围得到了进一步的扩展。伴随着人工大数据研究的深入，利用临床影像学资料可以深入挖掘、校验获得的临床信息。机器学习除了用于临床影响资料的辅助判定外，亦可对影像资料修复，识别，进一步反哺临床。伴随机器学习，除了可以用于临床影像资料的修正及检验外，亦可通过临床信息，构建两者的内在联系，进一步优化模型，增加医学影像诊断的效能，实现其从影像学资源向定量定性分析的转化。毫无疑问，随人工智能和大数据技术的发展，针对影像学临床评价的算法和影响组学的应用，可以大幅提升心血管影像学的临床诊断及筛查效率，特别是对冠状动脉狭窄程度评估及动脉粥样硬化斑块成分的分析，更加客观准确，从而有效降低。