人的視覺和認知是復(fù)雜的，超聲心動圖醫(yī)師通過肉眼分析靜態(tài)圖像和動態(tài)視頻，可抽象為以下步驟:視網(wǎng)膜的光感受器將光信號吸收并轉(zhuǎn)化為電化學(xué)信號，信號通過神經(jīng)元網(wǎng)絡(luò)傳輸至視神經(jīng)，到達大腦皮層和腦干后，這些信號將會整合到意識和潛意識感知中。
超聲心動圖醫(yī)師往往需要數(shù)年的培訓(xùn)累積經(jīng)驗，才能獨立進行診斷。目前，超聲心動圖已經(jīng)從二維讀圖發(fā)展為半定量評估，但是仍受限于人為誤差以及手動分析的耗時長。通過回顧、學(xué)習(xí)多達數(shù)十億張的超聲心動圖圖像，人工智能能夠克服這一問題，協(xié)助超聲心動圖醫(yī)師進行診療。本文介紹了人工智能的基本原理，闡述人工智能在超聲心動圖中的應(yīng)用，如自動分析心腔容積與左室功能、瓣膜病變、心肌病診斷等。
1.人工智能的基本原理
人工智能(artificialintelligence，AI)能夠模擬并超越人類的學(xué)習(xí)和經(jīng)歷，即在學(xué)習(xí)、解決某一問題的情景下，機器模仿人類的思維、認知，通過機器感知環(huán)境，進行測量，最大限度地實現(xiàn)某個特定目標(biāo)，提高效率。AI在日常生活中已有運用，比如天氣預(yù)報、分析金融市場、預(yù)測用戶購買傾向、根據(jù)用戶喜好推薦新聞、音樂等。機器學(xué)習(xí)是人工智能的一個組成部分，計算機從數(shù)據(jù)中學(xué)習(xí)完成任務(wù)，但同時卻不提供計算機明確的程序設(shè)定。根據(jù)用于學(xué)習(xí)樣本完全標(biāo)記、部分標(biāo)記或未標(biāo)記，機器學(xué)習(xí)可分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)等。通過樣本訓(xùn)練找到合適權(quán)重的過程就是機器學(xué)習(xí)。
機器學(xué)習(xí)的典型例子就是卷積神經(jīng)網(wǎng)絡(luò)(convolutionneuralnetwork，CNN)，CNN由層狀神經(jīng)元連接構(gòu)成，模擬人腦通過不同的權(quán)重反映神經(jīng)元之間的相互依賴關(guān)系。每個神經(jīng)元接受多個輸入信號，輸入信號的總和激活神經(jīng)元;被激活的神經(jīng)元再輸出信號，決定下一層神經(jīng)元的狀態(tài)，直至最后一層神經(jīng)元輸出感興趣的值，做出分類決策或閾值估算等。但是，機器學(xué)習(xí)受限于計算能力和樣本大小。
隨著神經(jīng)元數(shù)量的增加，學(xué)習(xí)過程的復(fù)雜性和所需樣本量增加。過去只能通過從原始數(shù)據(jù)中手工提取特征來減少神經(jīng)元的數(shù)量?，F(xiàn)在，深度學(xué)習(xí)可以通過自動學(xué)習(xí)樣本解決這一問題。深度學(xué)習(xí)模擬人類神經(jīng)網(wǎng)絡(luò)，采用多層神經(jīng)元級聯(lián)學(xué)習(xí)，通過組合多個非線性處理層對原始數(shù)據(jù)進行逐層抽象，從數(shù)據(jù)中獲得不同層面的抽象特征，以此進行分類預(yù)測。深度學(xué)習(xí)在語音識別、圖像識別、藥物活性預(yù)估等領(lǐng)域中已經(jīng)達到甚至超過人類水平。其優(yōu)點在于，深度學(xué)習(xí)用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法，替代了手工獲取特征。目前已出現(xiàn)多種超聲心動圖軟件包借助AI技術(shù)，協(xié)助圖像分析，用于評估心臟結(jié)構(gòu)、功能。
2.人工智能協(xié)助三維超聲評估心腔容積、左心室射血分數(shù)
過去，三維超聲心動圖測定心腔容積、左心射血分數(shù)(leftventricularejectionfraction，LVEF)需要手工描繪心內(nèi)膜邊界，主觀性強、耗時長，限制了三維超聲容積測量在臨床中的應(yīng)用。HeartModel(philipshealthcare，USA)是一種新的基于AI技術(shù)的自動化軟件，能直接量化三維經(jīng)胸超聲心動圖的左心室、左心房容積和LVEF。該軟件數(shù)據(jù)庫包含了1000例三維超聲經(jīng)胸數(shù)據(jù)集。
通過心電識別左室舒張末期，確定整體結(jié)構(gòu)，根據(jù)運動分析確定收縮末期左室腔;結(jié)合三維超聲心動圖數(shù)據(jù)中的整體形狀、曲率和體積，從數(shù)據(jù)集中選擇最佳匹配的模型;經(jīng)適應(yīng)性調(diào)整，使模型局部適應(yīng)被檢測者的容積。如果超聲心動圖醫(yī)師對顯示的輪廓不滿意，能夠手動編輯修改。
Tsang等對159例患者進行研究，使用Heartmodel自動分析左心房、左心室容積和LVEF，結(jié)果發(fā)現(xiàn)該方法具有可行性，與金標(biāo)準(zhǔn)心臟磁共振數(shù)據(jù)相關(guān)性高(r=0.84，0.93，0.85)，并且比全手動分析耗時短(26±2)svs(144±32)s，(P<0.001)。另一款基于AI技術(shù)的軟件包(AutoLV，TomTec-arena1.2，TomTecImagingSystems，Germany)應(yīng)用針對圖像的機器學(xué)習(xí)算法，也能自動檢測心內(nèi)膜邊界。
Knackstedt等采用該軟件包，針對多中心255名研究對象進行研究，采用軟件全自動描繪分析圖像、輸出LVEF，與超聲心動圖專家手工描記心內(nèi)膜輪廓、通過雙平面Simpson法測量的LVEF相比較，發(fā)現(xiàn)軟件分析和專家手動分析的結(jié)果具有較好的一致性(ICC:圖像質(zhì)量較差組0.79，圖像質(zhì)量佳組0.83)，軟件獲得LVEF僅耗時(8±1)s，還發(fā)現(xiàn)軟件輸出的左心室收縮末期縱向應(yīng)變(longitudinalstrain，LS)能反映左心室收縮功能(LVEF=2×LS+20，r=0.92，P<0.001)。該研究證明了AI全自動分析左心室收縮功能的可行性、準(zhǔn)確性。可見，AI技術(shù)能提供可重復(fù)的心腔結(jié)構(gòu)、功能的定量測量，但是，基于AI的圖像分析仍然依賴圖像質(zhì)量;與金標(biāo)準(zhǔn)磁共振提供的心腔結(jié)構(gòu)、功能的定量測量有較好的相關(guān)性，但在容量評估時仍存在低估;不同廠家的AI算法不同，無統(tǒng)一標(biāo)準(zhǔn)。
3.人工智能協(xié)助三維食道超聲評估瓣膜病
準(zhǔn)確評估瓣膜結(jié)構(gòu)是瓣膜病手術(shù)的關(guān)鍵。目前，實時三維超聲心動圖已經(jīng)不依賴形態(tài)假設(shè)，能自動評估主動脈或二尖瓣病變，使瓣膜分析可視化，但是，圖像描繪分析仍依賴于專業(yè)經(jīng)驗，耗時長，需要大量的人力投入。智能解剖超聲技術(shù)(anatomicalintelligenceultrasound，AIUS)以超聲圖像與醫(yī)學(xué)解剖模型的大數(shù)據(jù)為基礎(chǔ)，通過器官模型的建立和自適應(yīng)系統(tǒng)技術(shù)，使計算機能自動識別組織解剖結(jié)構(gòu)，并進行定量分析。
Jin等回顧分析了90例退行性二尖瓣脫垂(mitralvalveprolapse，MVP)患者的三維經(jīng)食管超聲資料，進行二尖瓣重建，以手術(shù)結(jié)果為金標(biāo)準(zhǔn)，結(jié)果發(fā)現(xiàn)，全手動分析情況下，非專家(既往三維超聲二尖瓣分析<10例)相比超聲心動圖專家(既往三維超聲二尖瓣分析>500例)的準(zhǔn)確性顯著降低(83%vs95%，P<0.001);使用AIUS能顯著提高非專家的準(zhǔn)確性(從83%提高到89%，P=0.003)，尤其A3分區(qū)(從81%提高到94%，P=0.006)和P1分區(qū)(從78%提高到88%，P=0.001)的準(zhǔn)確性，這可能與A3、P1分區(qū)的解剖變異度大、描繪困難有關(guān);另外，使用AIUS能顯著節(jié)省圖像描繪分析時間〔專家分析:(1.9±0.7)minvs(9.9±3.5)min，P<0.0001;非專家分析(5.0±0.5)minvs(13±1.5)min，P<0.0001〕。
Choi等以32例主動脈瓣反流患者為研究對象，分別使用二維彩色血流匯聚法(two-dimensionalproximalisovelocitysurfacearea，PISA)和三維全容積彩色多普勒超聲心動圖(three-dimensionalfullvolumecolorDopplerechocardiography，3DE-FVCDE)評估主動脈瓣反流，以心臟磁共振成像為金標(biāo)準(zhǔn)，發(fā)現(xiàn)3D-FVCDE測定的主動脈瓣反流體積與磁共振的相關(guān)性和一致性優(yōu)于2D-PISA(3D-FVCDE:r=0.93，2D-PISA:r=0.76，P<0.001);同時，3D-FVCDE能評估偏心反流及反流多束者，而2D-PISA無法評估這兩類反流。因此，3DFVCDE能定量評估主動脈環(huán)和主動脈根部病變，進一步協(xié)助選擇經(jīng)導(dǎo)管主動脈瓣置換瓣膜的大小，減少與患者錯配的概率?？梢?，AI技術(shù)協(xié)助評估瓣膜病具有可行性，減少了操作步驟，同時大幅提高定量結(jié)果的準(zhǔn)確性和重復(fù)性。
4.人工智能運用于心肌病的診斷
臨床診斷是將未知病人病情與過去典型病例聯(lián)系起來的過程。這一過程也能通過AI完成。Sengupta等建立了一種聯(lián)想記憶分類的機器學(xué)習(xí)算法，先對47例無結(jié)構(gòu)性心臟病對照者的斑點追蹤超聲心動圖數(shù)據(jù)進行歸一化處理后，針對50例縮窄性心包炎和44例限制性心肌病患者進行鑒別研究，以手術(shù)病理為診斷金標(biāo)準(zhǔn)，發(fā)現(xiàn)聯(lián)想記憶分類器使用斑點跟蹤超聲心動圖參數(shù)時的受試者工作特征曲線的曲線下面積(areaundercurve，AUC)為89.2%的，增加另外4個超聲心動圖變量(e'，E/e'，室間隔厚度、左室后壁厚度)后，AUC提高到96.2%。
整合斑點追蹤超聲心動圖參數(shù)到機器學(xué)習(xí)模型這一技術(shù)也能區(qū)分運動員生理性左室肥大與肥厚性心肌病。因此，AI機器學(xué)習(xí)運用于超聲心動圖診斷是可行的，能協(xié)助診斷。但是，AI技術(shù)中深度學(xué)習(xí)這一領(lǐng)域的算法復(fù)雜，非專業(yè)領(lǐng)域人員難以理解，影響算法推廣，需要計算機領(lǐng)域與醫(yī)療領(lǐng)域進一步合作。
綜上所述，人工智能正在改變超聲心動圖的應(yīng)用前景，在醫(yī)療影像領(lǐng)域?qū)懈鼜V闊的應(yīng)用。多個供應(yīng)商的軟件程序已納入AI技術(shù)進行圖像的自動化分析，目前三維超聲心動圖和斑點追蹤的自動化顯示了很高的可行性、準(zhǔn)確性和重復(fù)性。另外，近來研究人員應(yīng)用AI對胎兒超聲圖像進行識別檢測，提示AI在胎兒超聲心動圖中也有應(yīng)用前景。基于AI的超聲心動圖臨床應(yīng)用價值尚待進一步研究。
數(shù)字化轉(zhuǎn)型需要重構(gòu)企業(yè)文化
分享到微信 ×
打開微信，點擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。