人工智能在血管外科中的应用研究进展

黄立臻 ,胡志鹏

人工智能(AI)是模仿人类的思维过程、学习能力并赋予计算机执行认知功能的方法[1],核心包括机器学习(ML)、深度学习(DL)、自然语言处理(NLP)和机器人技术等。早在20世纪50年代达特茅斯会议上就正式提出AI的概念[2],但迫于时代背景下数据量及计算机硬件设施的不足,导致其发展缓慢。随着21世纪数据量的不断扩充,计算机基础设施的完善以及计算能力的进步,使得诸多AI技术得以实现并在各个领域崭露头角。在2016年初,AlphaGo Lee 战胜了围棋冠军李世石[3],从此AI技术正式进入公众视野。医学早期的应用主要是尝试使用计算机辅助程序协助某些疾病诊断,如治疗细菌感染性疾病的咨询系统问世[4],大幅度提升了临床医生的诊治能力和效率。

近年来,AI在医疗领域的研究和开发已延伸至医学专科。其应用大多处于转化研究阶段,在临床实践中也只有少数应用得到了实施,血管外科亦是如此。中国的血管外科起步较晚,在过去的20年里发展较为迅速,目前的诊疗水平已达到新的高度。血管疾病在很大程度上依赖于腔内治疗,但对疾病的诊断和治疗水平参差不齐。AI恰好可以协助医生对患者规范化、个体化治疗,尤其在分析数据、辅助诊疗、风险分层和结果预测等方面的能力甚至超过了外科医生,并已被证明对患者的治疗和结果有益[5]。本文将简要介绍AI的概况和基本认识,并总结目前AI在血管外科中的临床应用。

1 基于结构化医疗数据的ML疾病预测

1.1 ML的定义与分类 ML作为AI的一个重要分支,能够从患者现有的医疗相关数据或随访得到的数据运用不同的算法进行数据解析,并以此为基础构建模型从而预测疾病、诊断疾病以及评估疾病预后。按照其是否标记数据分为有监督学习和无监督学习,有监督学习是通过带有人为分类标签的数据进行模型训练,并将训练好的模型用来预测新数据的方法[6];无监督学习是用于处理不具有分类标签的数据,自主寻求数据间的内在关联,发现样本数据潜在结构特征的方法[6]。

1.2 ML在血管疾病预测中的应用 血管疾病涉及全身各部位的动脉、静脉和淋巴系统。由于我国吸烟人口和代谢性疾病患者的增加,血管疾病的患病率也在逐年上升。《中国心血管健康与疾病报告2022》推算出我国心血管病现患病人数约3.30亿,其中仅外周动脉疾病约4530万,这些令人担忧的数字也反映在其他血管疾病上,如主动脉瘤、夹层等[7]。

目前ML在血管疾病方面应用最多的是辅助诊疗。Naushad等[8]收集了364例患有冠状动脉疾病的患者和284例健康受试者,采用集成算法、多因子降维法和递归分区法开发了一种冠状动脉疾病早期预测工具,用于冠心病的发生预测和狭窄预测,其在临床中的应用降低了患者血管不良事件的发生。急性主动脉夹层起病急、进展快、死亡率高,患者通常在手术后转入重症监护病房(ICU)过渡。Chen等[9]选取353例急性A型主动脉夹层术后转入ICU的患者,随机分为训练集(70%)和验证集(30%),并采用朴素贝叶斯、线性回归、决策树、随机森林和梯度增强决策树等5种ML算法,对急性A型主动脉夹层患者ICU住院时间进行了预测,其模型效能用曲线下面积(AUC)评估,以随机森林算法最佳(AUC值为0.991),实现了对患者个体化、精准化的治疗;并确定了11项重要预测指标,分别为空腹血糖、D -二聚体、肌酐、乳酸脱氢酶、心肺转流时间、血小板计数、手术时间、主动脉阻断时间、有无马凡综合征、无主动脉瘤、白细胞计数。在应对因医疗不及时、疾病预防不到位以及基层医院医疗设备不够完善而导致疾病严重化等方面,ML凭借丰富的算法,弥补了该领域的缺陷。如D′Ascenzo等[10]使用朴素贝叶斯、自适应提升、随机森林和K近邻等4种ML算法,对19826例急性冠脉综合征患者远期疗效进行分级,并做出了高危因素排序,对临床诊疗极具指导价值。

基于ML构建血管疾病预测模型,有效地辅助临床医师监测血管疾病,做到早发现、早治疗。但综合而言,在针对血管疾病方面仍处于初级阶段,其准确率有限,ML需进一步利用各种算法,将临床数据和医学图像信息相结合,构建多模态诊断模型,其应用前景值得关注。

2 基于医学影像的DL辅助阅片

2.1 DL的定义 DL是利用深度神经网络进行特征学习和表达的一种学习过程,其设计理念来源于人类大脑神经元的结构[11],目的在于建立模拟人脑机制进行分析学习的神经网络,以此来识别数据,如图像、文本和声音等。

2.2 DL在血管影像中的应用 基于医学影像的DL辅助阅片在目前AI医疗发展体系中占据主导地位。诊治血管外科疾病高度依赖影像学检查,对图像的解读也存在主观差异,DL的辅助诊断技术可利用高质量、多模态的血管影像数据实现血管图像自动化解读。比如,基于DL的计算机断层扫描血管造影(CTA)、磁共振血管造影(MRA)、血管内超声(IVUS)和数字减影血管造影(DSA)等对血管疾病的自主识别与诊断、动脉瘤发生发展的自主评估、血流动力学和形态学参数的自动化计算、动脉瘤腔内修复术后并发症的自主预测。

在动脉瘤检出方面,Shiz等[12]提出了基于CTA图像的动脉瘤检测模型DAResUNet,该模型以DSA影像作为动脉瘤诊断的金标准,采用多个卷积神经网络(CNN)结构设计进行拼接,通过多个临床对比实验,验证数据集敏感性为0.85,模型敏感性甚至高达0.97。而Allison等[13]则采用611个CTA图像,研发了动脉瘤检测模型HeadXNet,且在本研究中同时发现拥有HeadXNet动脉瘤辅助诊断系统的临床医生,在诊断动脉瘤的时间、准确率等方面要明显高于没有HeadXNet辅助的临床医生。Lareyre等[14]研发了一种自动化分析系统,该软件导入CTA图像可自动快速、可靠的检测并分析血管,包括对血栓和钙化的评估。这些数据被用于改进手术方案、支架选择,现已成为腹主动脉瘤诊断和治疗的重要工具。Jin等[15]收集了505例患者的127763张CTA图像,建立了利用CNN对冠状动脉进行分割并提取特征,同样实现了自动对冠状动脉斑块类型及狭窄程度的评估,表现良好。再如Han等[16]以冠状动脉造影作为诊断标准,收集冠状动脉CTA影像,基于DL对冠状动脉狭窄进行评估,其模型曲线下面积值为0.870,而传统模型的仅有0.781,可见其诊断准确度明显优于传统CTA阅片。

MRA作为一种无创、无辐射的血管成像技术已得到临床医生认可并广泛应用于检测颈部和脑部动静脉血管成像,DL的加入使其更加智能化。Daiju等[17]提出了基于MRA图像的AneuDec模型,可以自主分析血管解剖和结构,以及是否存在狭窄闭塞或血管畸形,其模型效能在内部和外部验证集上分别有0.91和0.93的敏感性,很大程度上预知了血管疾病的发生发展,降低了患者医疗成本,对血管疾病防控也具有重要意义。

以IVUS为代表的血管内影像学检测技术是利用超声原理探测血管内外及其邻近组织,实时、高清地显示血管横截面形态学和组织学特性的方法。DL的辅助使IVUS更能准确地测量不同成像参数,如真实血管直径、壁厚、长度、形状,病变在管腔内的位置,病变类型,辨认血栓及体积评估等[5,18]。Hwang[19-20]等利用DL中纹理特征将IVUS图像中的病变区域精确划分为纤维组织、纤维脂肪组织、坏死核和致密钙。而Sanz-Requena等[20]使用DL中活动轮廓模型提取出IVUS中的管腔轮廓后,基于灰度直方图统计法区分了斑块、内膜和管腔,使IVUS迎来了一个全新的时代。

DSA是传统血管造影与电子计算机结合的影像技术,是目前用于血管腔内介入治疗成像的“金标准”[21]。DSA图像质量容易受噪声、运动伪影及辐射剂量的影响[22]。随着密集网络学习、残差学习、批处理归一化等模块的出现,DL在降低图像噪声方面展现出巨大的潜力[23]。Zhang K等[24]通过加深网络结构、学习算法及正则化等方式,建立了一种降噪CNN模型,该模型能够降低多种常见的图像噪声,为DL在降低图像噪声、提升图像质量等方面奠定了基础。Luo Y等[25]研发了一种基于CNN的低剂量X射线图像去噪框架,即超密集降噪网络模型,以此降低DSA图像噪声和伪影。该网络每个超密集模块之间参数共享,通过各个残差块内多路径神经单元之间的相关性,提升信息交互和局部特征提取效率,从而达到目的。经过研究显示,与降噪CNN模型相比,超密集降噪网络模型在DSA图像优化方面具有更高的峰值信噪比,抗噪声性能更佳。

目前,DL在DSA图像自主识别领域的研究进展缓慢,应用也集中于降低图像噪声和去除伪影等方面。分析其主要原因在于DSA图像的不确定性,其一,在手术过程中DSA图像常出现额外显影,给图像标注增添了一定的难度;其二,基于DL的辅助阅片模型虽然能够显著提高诊疗效率,但也同时需要大量训练数据集的支撑,大多数医院DSA图像存档数量相对较少,远不足以支撑AI的应用与研发。

在未来几年,DL的辅助阅片有望帮助血管外科医生提前决策手术方案,快速判断腔内介入治疗是否可行、支架的优化选择以及术后可能并发症等的干预,促进AI与血管外科的优势互补和智能交互。

3 基于NLP的电子病历系统

3.1 NLP的定义 NLP是AI领域的另一个重要方向,致力于如何处理及运用自然语言。主要有认知、理解、生成等部分组成,认知和理解旨在让计算机从文本数据中提取信息转化成特殊符号和关系,然后根据不同目的进行处理;生成则是把计算机数据转化为自然语言[26],以执行自动翻译、文本分类和情感分析等。

3.2 NLP在电子病历中的应用 电子病历是患者在医院就诊治疗的实时记录,涉及病人基本信息、医学影像学检查结果、实验室检测指标、初步诊断、医嘱、手术记录和护理记录等。其在临床中的应用取代了手写纸张病历,在提高医疗质量的同时大幅度提升了医生的工作效率。

Bian等[27]基于NLP对出院患者进行随访研究,通过模拟自然语言对患者进行随访,分析处理患者反馈的信息,并利用系统自动转换为文本数据供临床医生参考。Woller等[28]提出了一种NLP结合电子病历数据和疾病背景下识别静脉血栓栓塞症的方法,以降低患者住院期间发生该类疾病的概率。在NLP生成方面,Lve等[29]通过Transformer文本生成模型改写患者的出院小结,通过内在评价和外在评价评估这套文本生成方法的性能,以确保基于NLP生成的文本和目标文本的流畅性、内部关联性、正确性。基于NLP的电子病历数据加工形成预测模型,不但能使大量的数据资源得到再次利用,还有望减轻临床医生的工作负担。

整体而言,NLP技术在电子病历领域具有较为良好的应用与发展前景,但仍面临着一定的挑战,攻克的难点主要为患者表达方式、自然语言表达过程中歧义和模糊内容的界定、自然语言进行思想情感与思想内涵的表达过程当中表达主体所处的环境和状态以及适应患者口语化表达过程中不规范内容的校正与审核[30]。因此,未来需要深化NLP的研究和应用,推进NLP的临床转化,早日为临床医生服务。

4 基于AI技术的机器人系统

血管外科介入传统手术是在DSA图像的引导下,操纵导丝到达病灶位置,以此达到溶解血栓、栓塞扩张狭窄血管等目的。然而,传统介入手术存在一定的局限性,当介入导丝到达血管分叉位置时,要求较强的操作技巧,过程中往往出现路径错误,需要反复推拉旋捻导丝,可能造成导丝反复挤压血管管壁使其斑块脱落,导致医源性并发症的发生。因此,AI辅助的机器人系统与介入手术的有机结合,是解决上述问题的关键。

现阶段AI辅助的机器人系统主要分为腔镜手术机器人系统和腔内机器人导航系统。在血管外科领域,以达·芬奇为代表的腔镜手术机器人系统主要应用于血管吻合,并表现出显著优势。Lin等[31]利用达·芬奇腔镜手术机器人系统对主髂动脉闭塞症和腹主动脉瘤患者的腹主动脉肾下段和髂动脉进行剥离,并进行血管吻合,术后随访该患者血管通畅良好。而Stádler[32]采用类似方法对患者病变血管进行重建,术中血管吻合顺利,术后未出现手术相关并发症。腔镜手术机器人系统的应用解决了传统腹腔镜手术难以操作的问题。在腔内机器人导航系统方面,目前已研发出3种腔内介入手术机器人系统,即基于机电原理的机器人导航系统(RNS)、磁力机器人导航系统(MNS)[33]和超声定位机器人导航系统(ULS)[34],其原理和工作机制各不相同。Iyengar等[35]利用MNS对下肢动脉硬化闭塞症的患者进行介入治疗,成功将导丝置于胫前、胫后动脉及腓动脉,并应用球囊扩张重塑血管,DSA检查及术后随访踝肱指数显示血管通畅度明显改善。再如Riga等[36-37]对一例腹主动脉扩张至5.9cm的患者基于RNS实施腔内修复术,常规腔内植入主体支架后,RNS辅助定位对侧髂支成功释放,造影显示支架对位良好,术后未出现并发症。

机器人手术系统在血管外科的应用才刚刚起步,虽然在血管吻合、旁路移植等方面,机器人导航系统具有易于操作、精准定位、缩短手术时间、减少医疗辐射剂量等明显优势,但机器人系统的适应证、禁忌证、手术策略、远期疗效,仍需大量临床试验加以明确[37]。