人工智能屬于計算機科學領域，在過去的幾十年里，人工智能在醫學領域展現了廣泛的應用前景。但直到最近幾年，隨著計算機技術的進步，醫生和計算機專家才真正開始發現其應用于臨床的潛力，尤其是在先天性心臟病領域。當前，人工智能已成功應用于先天性心臟病的預測、智能診斷、醫學圖像分割和識別以及臨床決策支持等領域。本文綜述了人工智能在先天性心臟病學中的應用。
引用本文： 謝穩, 姚澤陽, 邱海龍, 徐小維, 莊建. 人工智能在先天性心臟病學中的應用. 中國胸心血管外科臨床雜志, 2020, 27(3): 343-353. doi: 10.7507/1007-4848.201911085 復制
先天性心臟病（congenital heart disease，CHD）是指出生時即存在的心臟結構性缺損，是最常見的先天性心臟畸形疾病，占所有先天性畸形疾病的三分之一。文獻[1]報道每 1 000 名活產嬰兒中有 4.1～12.9 例 CHD 患兒。在一項研究中，van der Linde 等[2]使用固定效應模型分析了近 100 年 CHD 的發病趨勢，發現隨著時間的推移 CHD 發病率越來越高，由 1930 年的 1/1 000 例活產嬰兒到近年來的 9/1 000 例，并且不同地區的人群發病率不同。國內報道發病率由 1996 年的 6.15/10 000 上升至 2000 年的 11.40/10 000，南方發病率明顯高于北方，且與孕產婦保健系統和產前診斷水平密切相關[3]。研究[4-5]顯示每 1 000 名活產嬰兒中 6～19 例可能有中度到重度先天性心臟缺陷，如果包括出生時出現的微小肌肉性室間隔缺損（ventricular spetal defect，VSD）和其他小病變，所有類型的 CHD 發病率都將增加至 75/1 000[6]。
隨著人們對心血管系統疾病的認識逐漸加深，外科技術和介入手段的快速發展，CHD 患者生存率快速上升，甚至可存活至成年。過去幾十年中成人先天性心臟病患者（adult congenital heart disease/defect，ACHD）數量穩步上升，到 2010 年，ACHD 占患有嚴重 CHD 患者的 60%，占患有其他類型 CHD 患者的 66%[7]，且長期生存率較低[8-9]。CHD 的治療方式主要為外科手術和導管介入手術，復雜 CHD 患者以外科治療為主。心臟外科的手術治療費用昂貴，治療周期長，需要面臨高死亡率和再次手術的風險[10]，許多家庭都難以承擔。據 Apfeld 等[11]關于先天性缺陷患兒住院期間費用的研究顯示，與其他重癥患兒相比，需要外科治療的先天性畸形疾病在美國醫療保健系統中成本過高。Russo 等[12]也指出 2004 年美國先天性缺陷住院費用可高達 26 億美元，其中剖宮產和 CHD 相關的住院費用約占 14 億美元。同樣國內也有報道，每新發 CHD 病例生命周期的經濟負擔平均是 9.7 萬元，2003 年全國新發病例的生命周期總經濟負擔可達 28.88 億元[13-14]。先天性心臟畸形病種類型多且變異度大，其直接或間接產生的社會和家庭經濟負擔以及政府對于公共衛生健康管理所面臨的一系列應對措施等問題，對 CHD 醫療健康領域的長遠發展來說是一個巨大的挑戰。
與此同時，人工智能（artificial intelligence，AI）技術得到了迅猛發展。一方面，在摩爾定律[15]理論支持下，計算機性能不斷突破，基于高性能計算和云運算的強大能力，尤其是圖形處理單元（graphic processing units，GPU）的不斷升級使得許多理念和算法成功實行[16]，這對機器學習應用于大量相關領域有重要推動作用。另一方面，AI 作為多領域交叉學科的研究方向，在圖像識別、語音分析、自動駕駛、藥物合成等領域已經展現了超越人類的潛能，將極大提升上述領域的自動化和智能化水平。
AI 技術的發展為心血管系統疾病診療的高效自動化和經濟節約化提供了一個可行的方案。一方面，AI 通過使用計算機的算法優化流程和決策的能力已成功被應用于智能診療、醫學影像分析、電子健康病歷的大數據管理、精準醫療、分子生物學及新藥研發等方向，極大地改善了醫療環境。另一方面，AI 在心血管疾病的診治上已經展現了一定的潛力：它可以通過使用高效的算法從大量成像數據中檢測和“學習”特征，幫助醫師減少診斷和治療相關錯誤并促進個性化醫療，從而達到指導臨床實踐的目的。此外，AI 可以用于識別疾病特有的模式并關聯新的特征，以獲得具有創新性的科學見解。
本文綜述了 AI 技術在心血管領域的相關應用，并進行了具體的分類分析。同時對文獻中相關的 AI 技術進行了介紹。本文旨在通過對 AI 技術的介紹和相關工作的總結分析推動 AI 在心血管領域應用中的進一步發展與完善。
1 人工智能
AI 是計算機科學的一個分支，旨在模擬人類的思維過程、學習能力和知識儲備。AI 還誕生出一些子學科，包括機器學習（machine learning，ML）/人工神經網絡（artificial neural network，ANN）、計算機視覺（computer vision，CV）、自然語言處理（natural language processing，NLP）、深度學習（deep learning，DL）、專家系統（expert system）/臨床決策支持系統（clinical decision support system，CDSS）以及機器人學（robotics）等領域（圖 1）。
圖1
人工智能的各學科領域介紹
1.1 機器學習/人工神經網絡
ML 是指計算機執行預定義任務并從經驗和輸入中學習更多觀察的過程[17-18]。1943 年，Warren 和 Walter 基于神經細胞生物過程的原理提出了神經元的 M-P 模型[19]，這是歷史上首次提出的神經元數學模型，開創了 ANN 的研究時代。之后的研究陸續提出了有關神經網絡的 Hebb 學習規則[20]，以 M-P 模型為基礎的感知器（perceptron）[21]以及自適應線性神經網絡（adaptive linear neuron）[22]等算法，促進了 ANN 的研究應用和發展。ANN 的設計類似于人的大腦，由許多層相互連接的數據處理器組成，這些處理器具有不同的權重，通過學習算法（例如反向傳播）訓練網絡的權重，呈現成對的輸入信號和期望的輸出決策，模仿大腦依賴外部感覺刺激來學習實現特定任務的條件以反映決定目標輸出或觸發動作的相互依賴關系[23-24]。ANN 的發展和演變使我們更接近于復制機器在人類中學習的方式，更多的是要考慮到有多種算法可以用來滿足不同目標的需要。單個模型不能應用于全局，因為這樣會導致次等結果，同時可能無法滿足主要用戶的需求。所有機器學習算法的基礎都建立在預測建模的三個步驟上：數據準備、數據擬合的模型選擇和模型驗證。ANN 可以學習的數據越多，它就能更好地通過算法結構微調整擴大其預測能力。
1.2 深度學習
DL 是 ML 的一個分支，它能夠使計算機通過層次概念來學習經驗和理解世界[25]。基于 ANN 的知識結構和學科應用，DL 將 AI 技術向前推進了一步。DL 與傳統 ML 的不同之處在于如何從原始數據中學習到模型表示，即表示學習（representation learning），使用 ML 來發掘表示本身，而不僅僅把表示映射到輸出[26]。與 ANN 相比，它們的主要區別在于深度神經網絡具有多隱藏層的維度、多隱藏層的連接以及學習有意義的抽象輸入的能力。DL 的神經網絡具有多個隱藏層，一個層由一組節點組成，有時稱為“特征”或“單元”，這些節點通過邊緣連接到更早和更深的層[27]（圖 2）。此種算法可以自動設計具有適合多種任務的特性，并為一個或多個特定任務自定義這些功能。事實上，DL 被證明擅長在高維數據中發現復雜的結構，能夠從大量數據，特別是無監督數據中提取高級、復雜的抽象和數據表示[29]，并在圖像領域[30-32]、語音識別[33]、自然語言理解[34]和翻譯[35]等方面擁有顯著的目標檢測性能。DL 在醫療保健方面也取得了較大進展，包括眼底視網膜檢查[36-37]、臨床影像圖像重建與分割[30, 38]、病理圖像檢測與識別[39-40]、基因組學[41-42]以及電子健康病歷（electronic health record，EHR）管理[43-44]等相關專業領域。
圖2
深度神經網絡簡化示意圖
輸入信息由輸入層饋送，輸入層又饋入一個或多個隱藏層，這些隱藏層最終鏈接到輸出層，輸入層以逐層非線性的方式處理饋入，以預先訓練（初始化）后續隱藏層中的節點，從而學習“深層結構”和可概括的表示，之后這些表示被饋入到監督層中，并使用反向傳播算法對整個網絡進行微調，使其朝向針對特定端到端任務而作優化的表示[28]
1.3 專家系統/臨床決策支持系統
專家系統是為解決某一特定領域的復雜問題而開發的計算機應用程序，具有最高水平的人類智慧和專業知識。在神經網絡發明之前，人們使用專家系統旨在利用知識系統的推理能力來解決復雜的問題。早期開發創建的專家系統被應用于醫學和生物學診斷的計算機輔助系統[45]，但由于其使用傳統方法（概率論[46]或流程圖[47]）而存在很大的局限性。1965 年斯坦福大學利用列表處理（list processing，LISP）語言開發并推出了第一個專家系統 DENDRAL[48]，旨在確定化合物分子結構。后來又創建了基于反向鏈接原理的 MYCIN 專家系統[49]，該系統可以識別引起嚴重感染的各種細菌，推薦可使用的抗生素并根據患者體重調整合理的使用劑量。這兩個系統的推廣使專家系統在醫學領域迅速發展，在這個基礎上后續也有其他系統推出，如 INTERNIST-I（一種計算機輔助診斷系統）[50]、CADUCEUS（一種內科診斷咨詢系統）[51]和 CASNET（描述疾病過程的因果關聯的網絡模型，主要用于青光眼的專家咨詢計劃）[52]等專家系統，但由于存在諸多問題而沒有實現相關專業人員的常規使用[53]。優秀決策的要求分為三點：準確數據、相關知識、適當解決問題的能力。數十年來基于計算機的決策輔助工作為臨床醫師提供了強大的動力[54]，專家系統的領域局限性和被動性使人們意識到 CDSS 的重要性。CDSS 的不同之處在于它是以 EHR 的廣泛普及為基礎發展而成[55]（圖 3），同時融合了管理科學、運籌學、控制論和行為科學等多門學科，以計算機技術、仿真技術和信息技術為手段，支持決策活動的具有智能作用的人機系統，強調人機交互也是支持 CDSS 與從業人員工作流程相融洽的重要維度。近年來，越來越多地將其作為實用性工具，DNN 技術的革新和醫療保健的復雜性及其成本不可避免地增長，以及引入醫療保健立法手段都促進了 CDSS 的發展[58]。
圖3
CDSS 的基本工作流程
CDSS 分為基于知識的系統和基于非知識的系統，前者主要包括三個部分：知識庫、推理引擎和通信機制[56]。知識庫包含編譯數據的規則和關聯，這些關聯和規則通常采用 If-then 規則運行；推理引擎使用健康記錄，專業術語以及帶有 CDS 規則的用戶輸入來執行決策支持邏輯；通信機制的功能是向用戶界面顯示警報時，接受臨床醫生的輸入。基于非知識的 CDSS 是一種使用 ML 的人工智能形式，旨在從過去的經驗中學習和/或在臨床數據中找到相關模式。基于非知識的 CDSS 有三種算法：支持向量機、ANN 和遺傳算法[57] CDSS：臨床決策支持系統；EHR：電子健康病歷；CDS：臨床決策支持
1.4 自然語言處理
NLP 是 AI 的一個子領域，強調計算機與人類（自然）語言的交互，通過編寫計算機程序來處理和分析人類書面和口頭語言的能力。計算機認知程序通過應用 NLP 來閱讀快速增量的科學文獻進行醫學知識的學習和儲備，利用醫生的筆記和處方以及醫學圖像以提取有意義的見解和醫療保健的相關內容，并整理各種年份的電子病歷從而致力于影響醫療實踐來完善 EHR 大數據精準而快速的管理[59]。
1.5 計算機視覺
CV 是一個跨學科領域，同時也是 21 世紀發展速度最快的領域之一。CV 涉及如何使用機器從數字圖像或視頻中獲得高層次的認知和理解，它以人類的方式從視頻或圖像中獲取和學習信息。與醫療領域相關的主要內容包括醫學圖像和病理組織切片的自動掃描識別和分析[60-61]，利用虛擬現實（virtual reality，VR）系統實現人體解剖結構的三維可視化功能從而為患者制定個性化手術方案[62]，并且能為術者提供復雜手術的模擬指導導航功能[63]，三維重建后的醫學圖像可通過 3D 打印模型用于術前手術策略規劃、模擬手術的操控練習、醫患之間病情溝通以及解剖指導教學資源[64-66]。
2 人工智能技術在先天性心臟病學中的應用
早期 AI 應用于醫學主要是通過使用計算機，將幾種數學技術用于輔助醫學診斷的某些方面：向醫生提供與數據分析和鑒別診斷相關的定量方法；在診斷測試過程的各個階段，協助評估最佳替代行動方案；定期記錄和評估個體生理規范，以更敏感地確定個體相對于疾病預防的健康趨勢[67]。受限于算法模型和計算機性能的不足，早期診斷只能做到預估計算機正確診斷的后驗概率，同時還要獲得每種疾病的概率（即患者群體中患有每種疾病的人口比例）和給定疾病的每種癥狀子集的概率（即患有疾病的人也具有癥狀組合子集的比例）[68]。隨著數據矩陣的細化，計算機診斷的準確性仍在不斷提高。計算機準備數據和接受計算機以鑒別診斷形式反饋的經驗對于醫生的診斷效率和正確性提高也有一定的作用。
2.1 智能診斷應用
智能診斷在 CHD 領域主要用于心臟雜音識別診斷和產前胎兒識別診斷。產前胎兒識別診斷主要用于 CHD 胎兒的妊娠期快速篩查，對于 CHD 的疾病防控和管理具有重要社會學意義。目前智能診斷技術主要依賴于 ML 和 DNN 模型。
2.1.1 心臟雜音識別診斷
CHD 部分病種的心臟雜音可輔助診斷，雖然該方法的診斷準確性不及影像學，但可作為一種初篩的手段用于推廣普及至各個醫院和診所。該領域于八十年代推出專家系統[69]。基于 CHD 不同病種心臟雜音的特異性，已經開發出了許多心臟雜音識別的智能模型。Barschdorff 使用神經網絡進行心臟缺陷的語音記錄并分析心音信號，從而實現類似于醫生聽診心音信號后作出的主觀解釋[70]。神經網絡的正確識別率可達 70%，若進一步積累數據可以提高診斷的準確性[71]。隱馬爾科夫模型（hidden Markov models，HMM）作為 NLP 應用程序中最常使用的統計模型，對于心臟雜音的識別，其總體分類正確率可達 96%，特異度 98%，該模型可快速篩選并進行特異性缺陷檢測[72]。Thompson 等[73]運用心臟聽診記錄數據庫選擇病理性雜音、功能性雜音和無雜音的病例，研究基于 AI 的心臟雜音檢測算法進行全面客觀評估，加入算法確定性度量、患者年齡、心率、雜音強度、胸部記錄位置和病理診斷等特征，準確率可達 88%（95%CI 85%～91%）。這是首次利用大型數據庫進行心臟雜音檢測的全面評估，高敏感度和特異性使其可成為 CHD 潛在有用的篩選工具，并闡述了此類技術對于臨床實用性的解釋。
2.1.2 產前胎兒識別診斷
利用算法模型建立的診斷識別系統，對于產前診斷也具有重要意義。產前診斷有幾率篩查尚未出生但患有復雜先天性心臟缺陷的胎兒，若病情嚴重可以考慮及時終止妊娠。Haghpanahi 等[74]設計了一種從非侵入性胎兒心電圖信號中檢測胎兒峰值的算法，該算法對臨床遇到的各種不同形態和強度的信號都能很好地檢測出胎兒 QRS 波的位置，可以幫助臨床醫生在分娩過程中做出更合適的決策方案。Yeo 等[75]報道了一種利用智能導航技術對 9 種標準胎兒超聲心動圖圖像進行可視化的新方法，該方法可標記包括胎兒心臟的七個解剖結構，簡化了獲取超聲心動圖視圖所需的步驟，更少地依賴于操作人員，同時簡化了對胎兒心臟的檢查流程。通過超聲智能導航檢查胎兒心臟和無創胎兒心電圖可以簡化操作流程，使用較少的步驟即可得到需要的結果。臨床醫生運用 ML 或 CV 專業知識可以從不同的角度去實現此類技術，從而達到專業化診斷識別平臺的目的。利用產前胎兒識別診斷技術和多中心區域化網絡聯合建立起 CHD 防控平臺，有望從根源上降低 CHD 的發病率及患病率。在算法不斷優化升級的同時，需要審核者擁有專業的基礎知識并消除或規范主觀偏見以避免誤診，做到客觀公正、統一泛化的標準。
2.2 專家系統/臨床決策支持系統
心音圖（phonocardiogram）在早期應用是很多見的，其他的識別特征還有年齡、X 線檢查、心電圖、癥狀以及體格檢查等，利用收集的所有患者資料推導出條件概率方程以表示臨床醫生從臨床數據作出診斷的邏輯過程，并計算出每種疾病代表任何特定患者的正確診斷概率[76]，或使用基于貝葉斯概率模型用于 CHD 的診斷[46,77-78]，疾病的診斷精度可與該領域經驗豐富的專家相媲美。智能分類系統的設計是一個包含 2 500 多個條目的知識庫，用于描述 CHD 領域內的異常、治療、并發癥等，結合特定領域知識和術語的目的是為數據輸入和數據收集分析提供一個有用的工具[79]。Vanisree 等[80]利用 MATLAB 的圖形用戶界面特性，結合反向傳播神經網絡設計開發的一種用于 CHD 診斷的決策支持系統，其診斷精確度高達 90%。Le?ot 等[81]使用決策樹算法通過專家知識獲取致力于建立一個 CHD 診斷研究專家系統，試圖推理出醫生診斷 12 種常見 CHD 的啟發式規則。Fallot 模型旨在解決診斷多個相互作用缺陷的難題，單一缺陷的診斷正確率表現很完美，合并缺陷的正確診斷率也能接近專家水平，此方法的分類和分析可用于其他具有復雜相互作用的診斷任務[82]。基于病例推理與神經網絡相結合的診斷系統在解決新問題時，神經網絡用于做出假設并指導病例推理模塊搜索之前類似病例并支持其中一個假設，混合診斷系統可以解決神經網絡無法以高精確度解決的問題，此系統已用于開發 CHD 的診斷系統[83]。對于醫療行業而言，智能風險檢測是一個具有挑戰性的領域，Moghimi 等[84]推出了可以實時智能檢測并與醫療保健環境中的決策支持相結合的 CHD 智能風險監測模型，模型的決策過程分為 3 個階段，醫生和患者父母都可以參與決策，包括手術過程和術后護理記錄以及病歷檔案記錄，所有決策結果和醫療記錄都會幫助患者進行實時風險監測并輔助作出相應的臨床決策。醫療保健模式的轉變促進了 CDSS 的發展和升級，這些系統將與臨床醫生一起工作而非替代或轉換。此外，基于計算機的 EHR、互聯網以及共享的決策流程和現行法規也有助于完善 CDSS。臨床醫生也越來越多地為這些工具開發做出貢獻，而不僅僅是參與用戶體驗。新技術包括互聯網和軟件的聯合使用，將徹底改變未來提供決策支持的方式。
2.3 預測
近年來，諸如 DL 的技術正在快速發展，尤其是 ML 方法更加適用于臨床數據結構的預測和評估。ML 可以利用診斷系統比人類更快、更準確地檢測疾病。Laitinen 等[85]基于回歸和 ANN 的方法通過 CHD 患者術前氧分壓預測耗氧量，但由于 CHD 患者個體間生物學變異性大，進行建模以預測耗氧量較為復雜，導致不能準確預測 CHD 患者的術前耗氧量。此外，可預測紫紺型 CHD 術后患者的腦容量以評估手術對青少年患者的大腦發育和長期功能的影響[86]，或是通過預測 CHD 手術后運動和認知結果對風險較高的患者盡早實施干預[87]。預測不僅僅適用于臨床數據，同樣也可用于基因組數據。Bahado-Singh 等[88]報道了人工智能結合表觀基因組學首次用于 CoA 的預測，并取得了較高的準確率。利用基于 ML 方法的線性支持向量機預測修復后法洛四聯癥患者的心室大小和功能的惡化，從而研究心臟磁共振成像衍生的基線變量預測值，并提供識別有惡化風險患者的模型[89]。ML 方法適合基于現有數據做出預測，但是對于遙遠未來的精確預測往往是不可能的。因此，臨床實現的最終關鍵一步落在了更為緊要的目標上：足夠早地預測事件，利用精確、適當的干預影響醫療決策與結局。
2.4 圖像智能識別和分割
卷積神經網絡系統（convolutional neural network system，CNN）對于圖像識別有出色優勢，它們的容量可以通過改變深度和寬度來進行控制，并且它們也能對圖像的性質做出強有力且基本正確的假設[90]，所以諸如 DL 之類的 ML 技術迅速發展。
各種成像方式為 CHD 患者提供診斷信息。心臟磁共振（cardiac magnetic resonance，CMR）和心臟計算機斷層掃描血管造影（computed tomography angiography，CTA）以及超聲心動圖（ultrasonic cardiogram，UCG）是最常用的工具。Vitanovski[91]提出了一種基于魯棒性 ML 算法的分層框架來估計個性化模型參數用于自動分割胸主動脈和主要分支腔脈，主要用于主動脈縮窄（coarctation of aorta，CoA）和主動脈瓣二瓣葉畸形（bicuspid aortic valve defect，BAVD）的患者，基于個性化模型的精確測量有助于選擇最佳治療方案、術者決策和修復時機。在超聲心動圖中，ML 方法已經被應用于心肌運動速度評估[92]、左心室邊界分割[93]、M 型和 B 型超聲心動圖中心臟參數的測量[94]、自動檢測左心室邊界[95]、自動識別超聲心動圖視圖[96]以及室壁異常運動的量化[97-98]等方面。右心室分割是一個不易解決的問題，與左心室相比，右心室的分割存在許多困難，例如復雜的新月形結構、小梁化心肌的存在和相對較薄的心室壁。受到 CNN 強大的圖像處理能力的啟發[99]，研究人員提出了基于 CNN 的右心室分割方法。Luo 等[100]提出一種利用深度 CNN 解決 CMR 中右心室分割問題的新方法，基于興趣區域定位進行右心室心肌分割，該方法在一定程度上提高了分割精度和計算效率。Tran 等[101]提出了一種基于完全 CNN 用于短軸 CMR 心臟分割的方法，可以同時處理左心室和右心室的分割問題。還可使用擴展 CNN 自動分割 CHD 心血管 MR 圖像，該方法能夠準確地分割心肌和血池而無需任何專業人員的干預[102]。許多心臟測量工具可以實現心室劃分和自動分割的模式，并且它們已經提高了診斷質量，用于復雜 CHD 患者的潛在診斷和長期隨訪檢查工作[103]。在心臟醫學圖像方面進行智能識別和分割分析的基礎上，目前已經實現心臟三維結構的 VR 和增強現實用于 CHD 復雜手術的規劃指導和導航功能[104-105]。VR 部分的主要應用是 VR 系統，增強現實部分的主要應用是 3D 打印（又叫增材制造），二者的結合應用稱為混合現實（mixed reality，MR）技術。這兩個部分都非 AI 領域的發展學科，但借助于 CV 技術的強大功能可以具現出臨床醫生需要的虛擬或實體三維心臟解剖模型，對于先天性心臟病學具有重要意義。無論是 VR 系統或是 3D 打印，都需要心臟 CTA、超聲心動圖或 CMR 的圖像經過分割和重建才能具現出一個三維立體數字可視化模型，用于不同的途徑（圖 4）。此技術作為心臟三維結構模型的基礎，借助深度學習神經網絡的強大功能可以實現自動化心臟圖像分析[106-110]，從而實現 CHD 不同病種的自動化診斷功能。
圖4
心臟醫學影像的三維建模用于 VR 系統或 3D 打印的簡化示意圖
a～d：心臟 CTA 或 CMR 及超聲心動圖的影像數據收集后，利用建模軟件的智能圖像識別和分割功能生成三維立體數字化模型；e：使用 VR 系統讀取生成后的心臟圖像建模數據，頭戴顯示器與主機連接，通過空間定位器進行感應，利用控制手柄操控虛擬空間中的三維模型；f：VR 系統操作下演示 1 例冠狀動脈瘺病例的手術部位標記；g：3D 打印機和心臟三維模具打印；h：心臟 3D 打印模具效果演示；VR：虛擬現實；CTA：計算機斷層掃描血管造影；CMR：心臟磁共振
在臨床影像數據量足夠的前提下，ML 可以通過調整訓練集和測試集的比例以學習并識別醫學圖像，對于復雜性和變異性高的疑難病例，圖像分割技術可以幫助機器做出判斷，優化機器在識別過程中的質量和速度，從而達到專業人員的判讀標準。圖像智能識別技術可以幫助影像從業人員快速閱讀醫學圖像的結果，并作出正確的判讀決定，同時減少從業人員的工作強度以服務于更多的患者。不同學科領域應用 AI 的效果和途徑都有所不同，在醫學方面應用 AI 比較成功的肺癌領域，醫學成像和 AI 有望通過區分良性結節和惡性結節，在提高肺癌的早期發現和定性方面發揮重要作用，可以很好地改善大部分患者的預后，以降低肺癌死亡率[111]。根據研究結果顯示，使用深度 CNN 在低劑量下胸部 CT 掃描發現惡性肺結節的模型曲線下面積（area under curve，AUC）高達 94.4%，在沒有 CT 的條件下，模型的表現優于放射科醫師；而在擁有 CT 的條件下，模型的性能可與放射科醫師相當[112]。究其原因在于肺癌的篩查基本手段是使用低劑量胸部 CT 進行掃描檢查，可以有效降低肺癌死亡率[113-114]，并且因為低劑量的緣故對人體產生的輻射危害較小且陽性篩查率高，目前已經取代胸部 X 線片檢查手段。而心臟 CTA 需要使用血管造影劑才能清晰顯現出各個部分的心臟組織，因為 CHD 多發于兒童，需要對造影劑的劑量控制得更加精確并在最大程度上減少輻射對患兒的危害。AI 在肺癌方面的成功應用值得我們借鑒學習，CHD 的醫工結合之路任重而道遠。
3 總結
正在進行的 AI 技術革命為 CHD 領域提供了一個積極的引導趨勢，我們希望 AI，包括但不限于 ML 以及 DL，可以對醫學領域的各個學科產生積極深遠的影響。但為了做到這一點，需要盡快彌補 AI 虛擬世界與臨床醫學現實之間的差距，AI 技術應用如此廣泛，與醫療領域相互交叉形成多門學科，二者相互學習，但醫學的復雜性和倫理限制需要更多的發展空間去迎合和接受 AI 技術的改造，我們應當抱以合理的期望和嚴謹的態度。未來的智能軟件將占據更加主要的地位，比如更加真實且易于操作的多維 VR 技術，方便臨床醫師理解和使用，同時以科學合理的方式重復多次使用神經網絡來更快更高效地做出決策，并減少相關學科操作人員的工作，使他們能夠專注于自己的核心競爭力，可以將更多的時間用于照顧患者。使用 AI 的目的并非替代臨床工作人員，二者應該通過相互學習從而促進雙方共同進步，通過深度神經網絡學習系統和 AI 相結合的強大推理能力用以改善 CDSS 的可靠性和穩定性。AI 正在醫學領域創造一個從基礎研究到臨床應用的轉變，但仍有一些技術挑戰有待解決，需要謹慎對待。數據安全和對抗性攻擊等漏洞對 AI 技術的應用構成了潛在的威脅，在這些漏洞中，惡意操縱輸入可能會導致完全的誤診，從而被用于謀取欺詐性利益等不正當行為[115]。在強調人機交互和用戶反饋的同時，也要注重加入關鍵技術以保護用戶和患者的隱私安全。為了并行 AI 與先天性心臟病學專業的發展進程，完善醫療行業的 AI 相關倫理法規和市場安全監管是非常必要的。不同于 AI 在肺癌方面的成功應用以及廣泛普及，CHD 各個病種分型數目可達上百種之多，不同中心對于不同病種的手術策略也各有異同。我們應該專注于自身的專業特性，未來的 CHD 方向應該是以醫工結合的方式快速發展，通過各種智能識別診斷模型建立起 CHD 多中心區域化防治防控網絡以降低發病率，使用 CNN 智能圖像處理和分析技術實現自動化重建心臟三維可視化模型，輔助心臟外科醫師制定個性化手術治療方案和術前病情討論及規劃，同時利用各種術前術后的臨床大樣本數據輔助醫師做出臨床決策并結合患者的當前病情做出風險預估評測。AI 在先天性心臟病學領域具有強大的臨床診療價值和應用潛力。
利益沖突：無。
先天性心臟病（congenital heart disease，CHD）是指出生時即存在的心臟結構性缺損，是最常見的先天性心臟畸形疾病，占所有先天性畸形疾病的三分之一。文獻[1]報道每 1 000 名活產嬰兒中有 4.1～12.9 例 CHD 患兒。在一項研究中，van der Linde 等[2]使用固定效應模型分析了近 100 年 CHD 的發病趨勢，發現隨著時間的推移 CHD 發病率越來越高，由 1930 年的 1/1 000 例活產嬰兒到近年來的 9/1 000 例，并且不同地區的人群發病率不同。國內報道發病率由 1996 年的 6.15/10 000 上升至 2000 年的 11.40/10 000，南方發病率明顯高于北方，且與孕產婦保健系統和產前診斷水平密切相關[3]。研究[4-5]顯示每 1 000 名活產嬰兒中 6～19 例可能有中度到重度先天性心臟缺陷，如果包括出生時出現的微小肌肉性室間隔缺損（ventricular spetal defect，VSD）和其他小病變，所有類型的 CHD 發病率都將增加至 75/1 000[6]。
隨著人們對心血管系統疾病的認識逐漸加深，外科技術和介入手段的快速發展，CHD 患者生存率快速上升，甚至可存活至成年。過去幾十年中成人先天性心臟病患者（adult congenital heart disease/defect，ACHD）數量穩步上升，到 2010 年，ACHD 占患有嚴重 CHD 患者的 60%，占患有其他類型 CHD 患者的 66%[7]，且長期生存率較低[8-9]。CHD 的治療方式主要為外科手術和導管介入手術，復雜 CHD 患者以外科治療為主。心臟外科的手術治療費用昂貴，治療周期長，需要面臨高死亡率和再次手術的風險[10]，許多家庭都難以承擔。據 Apfeld 等[11]關于先天性缺陷患兒住院期間費用的研究顯示，與其他重癥患兒相比，需要外科治療的先天性畸形疾病在美國醫療保健系統中成本過高。Russo 等[12]也指出 2004 年美國先天性缺陷住院費用可高達 26 億美元，其中剖宮產和 CHD 相關的住院費用約占 14 億美元。同樣國內也有報道，每新發 CHD 病例生命周期的經濟負擔平均是 9.7 萬元，2003 年全國新發病例的生命周期總經濟負擔可達 28.88 億元[13-14]。先天性心臟畸形病種類型多且變異度大，其直接或間接產生的社會和家庭經濟負擔以及政府對于公共衛生健康管理所面臨的一系列應對措施等問題，對 CHD 醫療健康領域的長遠發展來說是一個巨大的挑戰。
與此同時，人工智能（artificial intelligence，AI）技術得到了迅猛發展。一方面，在摩爾定律[15]理論支持下，計算機性能不斷突破，基于高性能計算和云運算的強大能力，尤其是圖形處理單元（graphic processing units，GPU）的不斷升級使得許多理念和算法成功實行[16]，這對機器學習應用于大量相關領域有重要推動作用。另一方面，AI 作為多領域交叉學科的研究方向，在圖像識別、語音分析、自動駕駛、藥物合成等領域已經展現了超越人類的潛能，將極大提升上述領域的自動化和智能化水平。
AI 技術的發展為心血管系統疾病診療的高效自動化和經濟節約化提供了一個可行的方案。一方面，AI 通過使用計算機的算法優化流程和決策的能力已成功被應用于智能診療、醫學影像分析、電子健康病歷的大數據管理、精準醫療、分子生物學及新藥研發等方向，極大地改善了醫療環境。另一方面，AI 在心血管疾病的診治上已經展現了一定的潛力：它可以通過使用高效的算法從大量成像數據中檢測和“學習”特征，幫助醫師減少診斷和治療相關錯誤并促進個性化醫療，從而達到指導臨床實踐的目的。此外，AI 可以用于識別疾病特有的模式并關聯新的特征，以獲得具有創新性的科學見解。
本文綜述了 AI 技術在心血管領域的相關應用，并進行了具體的分類分析。同時對文獻中相關的 AI 技術進行了介紹。本文旨在通過對 AI 技術的介紹和相關工作的總結分析推動 AI 在心血管領域應用中的進一步發展與完善。
1 人工智能
AI 是計算機科學的一個分支，旨在模擬人類的思維過程、學習能力和知識儲備。AI 還誕生出一些子學科，包括機器學習（machine learning，ML）/人工神經網絡（artificial neural network，ANN）、計算機視覺（computer vision，CV）、自然語言處理（natural language processing，NLP）、深度學習（deep learning，DL）、專家系統（expert system）/臨床決策支持系統（clinical decision support system，CDSS）以及機器人學（robotics）等領域（圖 1）。
圖1
人工智能的各學科領域介紹
1.1 機器學習/人工神經網絡
ML 是指計算機執行預定義任務并從經驗和輸入中學習更多觀察的過程[17-18]。1943 年，Warren 和 Walter 基于神經細胞生物過程的原理提出了神經元的 M-P 模型[19]，這是歷史上首次提出的神經元數學模型，開創了 ANN 的研究時代。之后的研究陸續提出了有關神經網絡的 Hebb 學習規則[20]，以 M-P 模型為基礎的感知器（perceptron）[21]以及自適應線性神經網絡（adaptive linear neuron）[22]等算法，促進了 ANN 的研究應用和發展。ANN 的設計類似于人的大腦，由許多層相互連接的數據處理器組成，這些處理器具有不同的權重，通過學習算法（例如反向傳播）訓練網絡的權重，呈現成對的輸入信號和期望的輸出決策，模仿大腦依賴外部感覺刺激來學習實現特定任務的條件以反映決定目標輸出或觸發動作的相互依賴關系[23-24]。ANN 的發展和演變使我們更接近于復制機器在人類中學習的方式，更多的是要考慮到有多種算法可以用來滿足不同目標的需要。單個模型不能應用于全局，因為這樣會導致次等結果，同時可能無法滿足主要用戶的需求。所有機器學習算法的基礎都建立在預測建模的三個步驟上：數據準備、數據擬合的模型選擇和模型驗證。ANN 可以學習的數據越多，它就能更好地通過算法結構微調整擴大其預測能力。
1.2 深度學習
DL 是 ML 的一個分支，它能夠使計算機通過層次概念來學習經驗和理解世界[25]。基于 ANN 的知識結構和學科應用，DL 將 AI 技術向前推進了一步。DL 與傳統 ML 的不同之處在于如何從原始數據中學習到模型表示，即表示學習（representation learning），使用 ML 來發掘表示本身，而不僅僅把表示映射到輸出[26]。與 ANN 相比，它們的主要區別在于深度神經網絡具有多隱藏層的維度、多隱藏層的連接以及學習有意義的抽象輸入的能力。DL 的神經網絡具有多個隱藏層，一個層由一組節點組成，有時稱為“特征”或“單元”，這些節點通過邊緣連接到更早和更深的層[27]（圖 2）。此種算法可以自動設計具有適合多種任務的特性，并為一個或多個特定任務自定義這些功能。事實上，DL 被證明擅長在高維數據中發現復雜的結構，能夠從大量數據，特別是無監督數據中提取高級、復雜的抽象和數據表示[29]，并在圖像領域[30-32]、語音識別[33]、自然語言理解[34]和翻譯[35]等方面擁有顯著的目標檢測性能。DL 在醫療保健方面也取得了較大進展，包括眼底視網膜檢查[36-37]、臨床影像圖像重建與分割[30, 38]、病理圖像檢測與識別[39-40]、基因組學[41-42]以及電子健康病歷（electronic health record，EHR）管理[43-44]等相關專業領域。
圖2
深度神經網絡簡化示意圖
輸入信息由輸入層饋送，輸入層又饋入一個或多個隱藏層，這些隱藏層最終鏈接到輸出層，輸入層以逐層非線性的方式處理饋入，以預先訓練（初始化）后續隱藏層中的節點，從而學習“深層結構”和可概括的表示，之后這些表示被饋入到監督層中，并使用反向傳播算法對整個網絡進行微調，使其朝向針對特定端到端任務而作優化的表示[28]
1.3 專家系統/臨床決策支持系統
專家系統是為解決某一特定領域的復雜問題而開發的計算機應用程序，具有最高水平的人類智慧和專業知識。在神經網絡發明之前，人們使用專家系統旨在利用知識系統的推理能力來解決復雜的問題。早期開發創建的專家系統被應用于醫學和生物學診斷的計算機輔助系統[45]，但由于其使用傳統方法（概率論[46]或流程圖[47]）而存在很大的局限性。1965 年斯坦福大學利用列表處理（list processing，LISP）語言開發并推出了第一個專家系統 DENDRAL[48]，旨在確定化合物分子結構。后來又創建了基于反向鏈接原理的 MYCIN 專家系統[49]，該系統可以識別引起嚴重感染的各種細菌，推薦可使用的抗生素并根據患者體重調整合理的使用劑量。這兩個系統的推廣使專家系統在醫學領域迅速發展，在這個基礎上后續也有其他系統推出，如 INTERNIST-I（一種計算機輔助診斷系統）[50]、CADUCEUS（一種內科診斷咨詢系統）[51]和 CASNET（描述疾病過程的因果關聯的網絡模型，主要用于青光眼的專家咨詢計劃）[52]等專家系統，但由于存在諸多問題而沒有實現相關專業人員的常規使用[53]。優秀決策的要求分為三點：準確數據、相關知識、適當解決問題的能力。數十年來基于計算機的決策輔助工作為臨床醫師提供了強大的動力[54]，專家系統的領域局限性和被動性使人們意識到 CDSS 的重要性。CDSS 的不同之處在于它是以 EHR 的廣泛普及為基礎發展而成[55]（圖 3），同時融合了管理科學、運籌學、控制論和行為科學等多門學科，以計算機技術、仿真技術和信息技術為手段，支持決策活動的具有智能作用的人機系統，強調人機交互也是支持 CDSS 與從業人員工作流程相融洽的重要維度。近年來，越來越多地將其作為實用性工具，DNN 技術的革新和醫療保健的復雜性及其成本不可避免地增長，以及引入醫療保健立法手段都促進了 CDSS 的發展[58]。
圖3
CDSS 的基本工作流程
CDSS 分為基于知識的系統和基于非知識的系統，前者主要包括三個部分：知識庫、推理引擎和通信機制[56]。知識庫包含編譯數據的規則和關聯，這些關聯和規則通常采用 If-then 規則運行；推理引擎使用健康記錄，專業術語以及帶有 CDS 規則的用戶輸入來執行決策支持邏輯；通信機制的功能是向用戶界面顯示警報時，接受臨床醫生的輸入。基于非知識的 CDSS 是一種使用 ML 的人工智能形式，旨在從過去的經驗中學習和/或在臨床數據中找到相關模式。基于非知識的 CDSS 有三種算法：支持向量機、ANN 和遺傳算法[57] CDSS：臨床決策支持系統；EHR：電子健康病歷；CDS：臨床決策支持
1.4 自然語言處理
NLP 是 AI 的一個子領域，強調計算機與人類（自然）語言的交互，通過編寫計算機程序來處理和分析人類書面和口頭語言的能力。計算機認知程序通過應用 NLP 來閱讀快速增量的科學文獻進行醫學知識的學習和儲備，利用醫生的筆記和處方以及醫學圖像以提取有意義的見解和醫療保健的相關內容，并整理各種年份的電子病歷從而致力于影響醫療實踐來完善 EHR 大數據精準而快速的管理[59]。
1.5 計算機視覺
CV 是一個跨學科領域，同時也是 21 世紀發展速度最快的領域之一。CV 涉及如何使用機器從數字圖像或視頻中獲得高層次的認知和理解，它以人類的方式從視頻或圖像中獲取和學習信息。與醫療領域相關的主要內容包括醫學圖像和病理組織切片的自動掃描識別和分析[60-61]，利用虛擬現實（virtual reality，VR）系統實現人體解剖結構的三維可視化功能從而為患者制定個性化手術方案[62]，并且能為術者提供復雜手術的模擬指導導航功能[63]，三維重建后的醫學圖像可通過 3D 打印模型用于術前手術策略規劃、模擬手術的操控練習、醫患之間病情溝通以及解剖指導教學資源[64-66]。
2 人工智能技術在先天性心臟病學中的應用
早期 AI 應用于醫學主要是通過使用計算機，將幾種數學技術用于輔助醫學診斷的某些方面：向醫生提供與數據分析和鑒別診斷相關的定量方法；在診斷測試過程的各個階段，協助評估最佳替代行動方案；定期記錄和評估個體生理規范，以更敏感地確定個體相對于疾病預防的健康趨勢[67]。受限于算法模型和計算機性能的不足，早期診斷只能做到預估計算機正確診斷的后驗概率，同時還要獲得每種疾病的概率（即患者群體中患有每種疾病的人口比例）和給定疾病的每種癥狀子集的概率（即患有疾病的人也具有癥狀組合子集的比例）[68]。隨著數據矩陣的細化，計算機診斷的準確性仍在不斷提高。計算機準備數據和接受計算機以鑒別診斷形式反饋的經驗對于醫生的診斷效率和正確性提高也有一定的作用。
2.1 智能診斷應用
智能診斷在 CHD 領域主要用于心臟雜音識別診斷和產前胎兒識別診斷。產前胎兒識別診斷主要用于 CHD 胎兒的妊娠期快速篩查，對于 CHD 的疾病防控和管理具有重要社會學意義。目前智能診斷技術主要依賴于 ML 和 DNN 模型。
2.1.1 心臟雜音識別診斷
CHD 部分病種的心臟雜音可輔助診斷，雖然該方法的診斷準確性不及影像學，但可作為一種初篩的手段用于推廣普及至各個醫院和診所。該領域于八十年代推出專家系統[69]。基于 CHD 不同病種心臟雜音的特異性，已經開發出了許多心臟雜音識別的智能模型。Barschdorff 使用神經網絡進行心臟缺陷的語音記錄并分析心音信號，從而實現類似于醫生聽診心音信號后作出的主觀解釋[70]。神經網絡的正確識別率可達 70%，若進一步積累數據可以提高診斷的準確性[71]。隱馬爾科夫模型（hidden Markov models，HMM）作為 NLP 應用程序中最常使用的統計模型，對于心臟雜音的識別，其總體分類正確率可達 96%，特異度 98%，該模型可快速篩選并進行特異性缺陷檢測[72]。Thompson 等[73]運用心臟聽診記錄數據庫選擇病理性雜音、功能性雜音和無雜音的病例，研究基于 AI 的心臟雜音檢測算法進行全面客觀評估，加入算法確定性度量、患者年齡、心率、雜音強度、胸部記錄位置和病理診斷等特征，準確率可達 88%（95%CI 85%～91%）。這是首次利用大型數據庫進行心臟雜音檢測的全面評估，高敏感度和特異性使其可成為 CHD 潛在有用的篩選工具，并闡述了此類技術對于臨床實用性的解釋。
2.1.2 產前胎兒識別診斷
利用算法模型建立的診斷識別系統，對于產前診斷也具有重要意義。產前診斷有幾率篩查尚未出生但患有復雜先天性心臟缺陷的胎兒，若病情嚴重可以考慮及時終止妊娠。Haghpanahi 等[74]設計了一種從非侵入性胎兒心電圖信號中檢測胎兒峰值的算法，該算法對臨床遇到的各種不同形態和強度的信號都能很好地檢測出胎兒 QRS 波的位置，可以幫助臨床醫生在分娩過程中做出更合適的決策方案。Yeo 等[75]報道了一種利用智能導航技術對 9 種標準胎兒超聲心動圖圖像進行可視化的新方法，該方法可標記包括胎兒心臟的七個解剖結構，簡化了獲取超聲心動圖視圖所需的步驟，更少地依賴于操作人員，同時簡化了對胎兒心臟的檢查流程。通過超聲智能導航檢查胎兒心臟和無創胎兒心電圖可以簡化操作流程，使用較少的步驟即可得到需要的結果。臨床醫生運用 ML 或 CV 專業知識可以從不同的角度去實現此類技術，從而達到專業化診斷識別平臺的目的。利用產前胎兒識別診斷技術和多中心區域化網絡聯合建立起 CHD 防控平臺，有望從根源上降低 CHD 的發病率及患病率。在算法不斷優化升級的同時，需要審核者擁有專業的基礎知識并消除或規范主觀偏見以避免誤診，做到客觀公正、統一泛化的標準。
2.2 專家系統/臨床決策支持系統
心音圖（phonocardiogram）在早期應用是很多見的，其他的識別特征還有年齡、X 線檢查、心電圖、癥狀以及體格檢查等，利用收集的所有患者資料推導出條件概率方程以表示臨床醫生從臨床數據作出診斷的邏輯過程，并計算出每種疾病代表任何特定患者的正確診斷概率[76]，或使用基于貝葉斯概率模型用于 CHD 的診斷[46,77-78]，疾病的診斷精度可與該領域經驗豐富的專家相媲美。智能分類系統的設計是一個包含 2 500 多個條目的知識庫，用于描述 CHD 領域內的異常、治療、并發癥等，結合特定領域知識和術語的目的是為數據輸入和數據收集分析提供一個有用的工具[79]。Vanisree 等[80]利用 MATLAB 的圖形用戶界面特性，結合反向傳播神經網絡設計開發的一種用于 CHD 診斷的決策支持系統，其診斷精確度高達 90%。Le?ot 等[81]使用決策樹算法通過專家知識獲取致力于建立一個 CHD 診斷研究專家系統，試圖推理出醫生診斷 12 種常見 CHD 的啟發式規則。Fallot 模型旨在解決診斷多個相互作用缺陷的難題，單一缺陷的診斷正確率表現很完美，合并缺陷的正確診斷率也能接近專家水平，此方法的分類和分析可用于其他具有復雜相互作用的診斷任務[82]。基于病例推理與神經網絡相結合的診斷系統在解決新問題時，神經網絡用于做出假設并指導病例推理模塊搜索之前類似病例并支持其中一個假設，混合診斷系統可以解決神經網絡無法以高精確度解決的問題，此系統已用于開發 CHD 的診斷系統[83]。對于醫療行業而言，智能風險檢測是一個具有挑戰性的領域，Moghimi 等[84]推出了可以實時智能檢測并與醫療保健環境中的決策支持相結合的 CHD 智能風險監測模型，模型的決策過程分為 3 個階段，醫生和患者父母都可以參與決策，包括手術過程和術后護理記錄以及病歷檔案記錄，所有決策結果和醫療記錄都會幫助患者進行實時風險監測并輔助作出相應的臨床決策。醫療保健模式的轉變促進了 CDSS 的發展和升級，這些系統將與臨床醫生一起工作而非替代或轉換。此外，基于計算機的 EHR、互聯網以及共享的決策流程和現行法規也有助于完善 CDSS。臨床醫生也越來越多地為這些工具開發做出貢獻，而不僅僅是參與用戶體驗。新技術包括互聯網和軟件的聯合使用，將徹底改變未來提供決策支持的方式。
2.3 預測
近年來，諸如 DL 的技術正在快速發展，尤其是 ML 方法更加適用于臨床數據結構的預測和評估。ML 可以利用診斷系統比人類更快、更準確地檢測疾病。Laitinen 等[85]基于回歸和 ANN 的方法通過 CHD 患者術前氧分壓預測耗氧量，但由于 CHD 患者個體間生物學變異性大，進行建模以預測耗氧量較為復雜，導致不能準確預測 CHD 患者的術前耗氧量。此外，可預測紫紺型 CHD 術后患者的腦容量以評估手術對青少年患者的大腦發育和長期功能的影響[86]，或是通過預測 CHD 手術后運動和認知結果對風險較高的患者盡早實施干預[87]。預測不僅僅適用于臨床數據，同樣也可用于基因組數據。Bahado-Singh 等[88]報道了人工智能結合表觀基因組學首次用于 CoA 的預測，并取得了較高的準確率。利用基于 ML 方法的線性支持向量機預測修復后法洛四聯癥患者的心室大小和功能的惡化，從而研究心臟磁共振成像衍生的基線變量預測值，并提供識別有惡化風險患者的模型[89]。ML 方法適合基于現有數據做出預測，但是對于遙遠未來的精確預測往往是不可能的。因此，臨床實現的最終關鍵一步落在了更為緊要的目標上：足夠早地預測事件，利用精確、適當的干預影響醫療決策與結局。
2.4 圖像智能識別和分割
卷積神經網絡系統（convolutional neural network system，CNN）對于圖像識別有出色優勢，它們的容量可以通過改變深度和寬度來進行控制，并且它們也能對圖像的性質做出強有力且基本正確的假設[90]，所以諸如 DL 之類的 ML 技術迅速發展。
各種成像方式為 CHD 患者提供診斷信息。心臟磁共振（cardiac magnetic resonance，CMR）和心臟計算機斷層掃描血管造影（computed tomography angiography，CTA）以及超聲心動圖（ultrasonic cardiogram，UCG）是最常用的工具。Vitanovski[91]提出了一種基于魯棒性 ML 算法的分層框架來估計個性化模型參數用于自動分割胸主動脈和主要分支腔脈，主要用于主動脈縮窄（coarctation of aorta，CoA）和主動脈瓣二瓣葉畸形（bicuspid aortic valve defect，BAVD）的患者，基于個性化模型的精確測量有助于選擇最佳治療方案、術者決策和修復時機。在超聲心動圖中，ML 方法已經被應用于心肌運動速度評估[92]、左心室邊界分割[93]、M 型和 B 型超聲心動圖中心臟參數的測量[94]、自動檢測左心室邊界[95]、自動識別超聲心動圖視圖[96]以及室壁異常運動的量化[97-98]等方面。右心室分割是一個不易解決的問題，與左心室相比，右心室的分割存在許多困難，例如復雜的新月形結構、小梁化心肌的存在和相對較薄的心室壁。受到 CNN 強大的圖像處理能力的啟發[99]，研究人員提出了基于 CNN 的右心室分割方法。Luo 等[100]提出一種利用深度 CNN 解決 CMR 中右心室分割問題的新方法，基于興趣區域定位進行右心室心肌分割，該方法在一定程度上提高了分割精度和計算效率。Tran 等[101]提出了一種基于完全 CNN 用于短軸 CMR 心臟分割的方法，可以同時處理左心室和右心室的分割問題。還可使用擴展 CNN 自動分割 CHD 心血管 MR 圖像，該方法能夠準確地分割心肌和血池而無需任何專業人員的干預[102]。許多心臟測量工具可以實現心室劃分和自動分割的模式，并且它們已經提高了診斷質量，用于復雜 CHD 患者的潛在診斷和長期隨訪檢查工作[103]。在心臟醫學圖像方面進行智能識別和分割分析的基礎上，目前已經實現心臟三維結構的 VR 和增強現實用于 CHD 復雜手術的規劃指導和導航功能[104-105]。VR 部分的主要應用是 VR 系統，增強現實部分的主要應用是 3D 打印（又叫增材制造），二者的結合應用稱為混合現實（mixed reality，MR）技術。這兩個部分都非 AI 領域的發展學科，但借助于 CV 技術的強大功能可以具現出臨床醫生需要的虛擬或實體三維心臟解剖模型，對于先天性心臟病學具有重要意義。無論是 VR 系統或是 3D 打印，都需要心臟 CTA、超聲心動圖或 CMR 的圖像經過分割和重建才能具現出一個三維立體數字可視化模型，用于不同的途徑（圖 4）。此技術作為心臟三維結構模型的基礎，借助深度學習神經網絡的強大功能可以實現自動化心臟圖像分析[106-110]，從而實現 CHD 不同病種的自動化診斷功能。
圖4
心臟醫學影像的三維建模用于 VR 系統或 3D 打印的簡化示意圖
a～d：心臟 CTA 或 CMR 及超聲心動圖的影像數據收集后，利用建模軟件的智能圖像識別和分割功能生成三維立體數字化模型；e：使用 VR 系統讀取生成后的心臟圖像建模數據，頭戴顯示器與主機連接，通過空間定位器進行感應，利用控制手柄操控虛擬空間中的三維模型；f：VR 系統操作下演示 1 例冠狀動脈瘺病例的手術部位標記；g：3D 打印機和心臟三維模具打印；h：心臟 3D 打印模具效果演示；VR：虛擬現實；CTA：計算機斷層掃描血管造影；CMR：心臟磁共振
在臨床影像數據量足夠的前提下，ML 可以通過調整訓練集和測試集的比例以學習并識別醫學圖像，對于復雜性和變異性高的疑難病例，圖像分割技術可以幫助機器做出判斷，優化機器在識別過程中的質量和速度，從而達到專業人員的判讀標準。圖像智能識別技術可以幫助影像從業人員快速閱讀醫學圖像的結果，并作出正確的判讀決定，同時減少從業人員的工作強度以服務于更多的患者。不同學科領域應用 AI 的效果和途徑都有所不同，在醫學方面應用 AI 比較成功的肺癌領域，醫學成像和 AI 有望通過區分良性結節和惡性結節，在提高肺癌的早期發現和定性方面發揮重要作用，可以很好地改善大部分患者的預后，以降低肺癌死亡率[111]。根據研究結果顯示，使用深度 CNN 在低劑量下胸部 CT 掃描發現惡性肺結節的模型曲線下面積（area under curve，AUC）高達 94.4%，在沒有 CT 的條件下，模型的表現優于放射科醫師；而在擁有 CT 的條件下，模型的性能可與放射科醫師相當[112]。究其原因在于肺癌的篩查基本手段是使用低劑量胸部 CT 進行掃描檢查，可以有效降低肺癌死亡率[113-114]，并且因為低劑量的緣故對人體產生的輻射危害較小且陽性篩查率高，目前已經取代胸部 X 線片檢查手段。而心臟 CTA 需要使用血管造影劑才能清晰顯現出各個部分的心臟組織，因為 CHD 多發于兒童，需要對造影劑的劑量控制得更加精確并在最大程度上減少輻射對患兒的危害。AI 在肺癌方面的成功應用值得我們借鑒學習，CHD 的醫工結合之路任重而道遠。
3 總結
正在進行的 AI 技術革命為 CHD 領域提供了一個積極的引導趨勢，我們希望 AI，包括但不限于 ML 以及 DL，可以對醫學領域的各個學科產生積極深遠的影響。但為了做到這一點，需要盡快彌補 AI 虛擬世界與臨床醫學現實之間的差距，AI 技術應用如此廣泛，與醫療領域相互交叉形成多門學科，二者相互學習，但醫學的復雜性和倫理限制需要更多的發展空間去迎合和接受 AI 技術的改造，我們應當抱以合理的期望和嚴謹的態度。未來的智能軟件將占據更加主要的地位，比如更加真實且易于操作的多維 VR 技術，方便臨床醫師理解和使用，同時以科學合理的方式重復多次使用神經網絡來更快更高效地做出決策，并減少相關學科操作人員的工作，使他們能夠專注于自己的核心競爭力，可以將更多的時間用于照顧患者。使用 AI 的目的并非替代臨床工作人員，二者應該通過相互學習從而促進雙方共同進步，通過深度神經網絡學習系統和 AI 相結合的強大推理能力用以改善 CDSS 的可靠性和穩定性。AI 正在醫學領域創造一個從基礎研究到臨床應用的轉變，但仍有一些技術挑戰有待解決，需要謹慎對待。數據安全和對抗性攻擊等漏洞對 AI 技術的應用構成了潛在的威脅，在這些漏洞中，惡意操縱輸入可能會導致完全的誤診，從而被用于謀取欺詐性利益等不正當行為[115]。在強調人機交互和用戶反饋的同時，也要注重加入關鍵技術以保護用戶和患者的隱私安全。為了并行 AI 與先天性心臟病學專業的發展進程，完善醫療行業的 AI 相關倫理法規和市場安全監管是非常必要的。不同于 AI 在肺癌方面的成功應用以及廣泛普及，CHD 各個病種分型數目可達上百種之多，不同中心對于不同病種的手術策略也各有異同。我們應該專注于自身的專業特性，未來的 CHD 方向應該是以醫工結合的方式快速發展，通過各種智能識別診斷模型建立起 CHD 多中心區域化防治防控網絡以降低發病率，使用 CNN 智能圖像處理和分析技術實現自動化重建心臟三維可視化模型，輔助心臟外科醫師制定個性化手術治療方案和術前病情討論及規劃，同時利用各種術前術后的臨床大樣本數據輔助醫師做出臨床決策并結合患者的當前病情做出風險預估評測。AI 在先天性心臟病學領域具有強大的臨床診療價值和應用潛力。
利益沖突：無。
