隨著科學技術的發展，人工智能正逐步融入日常生活的方方面面，醫學領域也不例外。心血管疾病作為全球健康的頭號殺手，更是新技術、新方法關注的重點。本文就機器視覺、自然語言處理、機器人、機器學習四大人工智能領域在心血管疾病方面的應用進行綜述及展望，以期促進新技術的發展和應用。
引用本文： 劉則燁, 潘湘斌. 人工智能在心血管疾病防治中的應用. 中國胸心血管外科臨床雜志, 2022, 29(9): 1230-1235. doi: 10.7507/1007-4848.202201014 復制
自1950年Turing等[1]在《Computing Machinery and Intelligence》中提出“圖靈測試”并指出“讓機器產生智能”以來，數十年間人工智能技術得到了飛速的發展，并逐步向“廣義”和“通用”進發。其在計算機科學、通訊、金融、運輸等行業發揮著越來越重大的作用[2]。在醫學領域，中國工程院更是在2020年12月18日發布的《全球工程前沿2020》報告[3]中將“基于AI的臨床診斷決策支持系統”列為了工程研究前沿。心血管疾病作為世界范圍內的頭號殺手[4]，在中國的患病率和死亡率隨著國內人口生活水平的迅速提高和生活方式的急劇改變而快速飆升[5]，已經成為當前醫學科學面臨的重大挑戰。隨著人工智能技術與醫學的深入融合，借助此類技術抗擊心血管疾病已經成為了必然的選擇，其在心血管疾病防治領域的應用也必將越來越廣泛。作為現代人工智能的三個關鍵能力：感知（視覺）、通訊與行動[6-8]，分別對應人工智能相關技術及研究的三大方面：計算機視覺、自然語言處理[9-10]和機器人[11]。為方便總結，本文將文本挖掘及分類、機器翻譯和語音識別技術歸入自然語言處理技術進行敘述。另外，作為人工智能的基礎知識和傳統統計學方法的重要補充，機器學習技術正越來越多地應用到心血管疾病相關研究的數據分析工作中。故本文將從上述四個方面對廣義人工智能在心血管疾病防治領域應用進行討論。
1 文獻檢索
計算機檢索Web of Science、PubMed、中國知網、萬方、維普 5個數據庫，獲取關于人工智能在心血管疾病防治領域應用的文獻。中文檢索式為“人工智能”并“心血管”、“人工智能”并“心臟”、“人工智能”并“血管”。英文檢索式為“artificial intelligence”AND“cardiovascular”、“artificial intelligence”AND“heart”、“artificial intelligence”AND“blood vessels”。
在這一新興領域中，部分研究者可能會出現對“人工智能”定義過于寬泛，對部分新技術錯誤歸類的現象。我們在本文中嚴格執行“圖靈測試”的標準[1]，在心血管疾病研究領域內選取真正企圖了解智能的實質，并生產出一種新的、能以人類智能相似的方式做出反應的智能系統的研究進行綜述。選取的文獻由3名具備兩個領域專業背景的研究者進行背對背評價，嚴格遵循上述標準，只有全部認可的文獻才能進入本文進行綜述。希望從計算機科學的角度更加嚴格地劃分并描述這一醫工交叉領域的現狀，對以往工作進行有效補充。
2 機器視覺
機器視覺可以概括為用機器代替人眼來做測量和判斷[12]，醫學領域與其關聯最為緊密的就是各類圖像的識別與分析[13-24]；見表1。
表1
計算機視覺在心血管疾病領域的應用
2.1 在心血管疾病臨床診療方面
作為心血管疾病的重要致病因子，血壓異常往往難以在早期被人們發現，傳統的血壓監測方法主要為各類血壓計及充氣袖帶，往往因不方便或不舒服在醫療場所外應用較少。而Barszczyk等[13]則報道了使用機器視覺技術通過手機拍攝面部視頻來估測肱動脈血壓，在實驗室條件下達到了媲美傳統血壓檢測儀的準確性。中國醫學科學院阜外醫院研究者[14]報道的通過面部特征診斷冠狀動脈粥樣硬化性心臟病的研究，更是使用計算機視覺技術輔助疾病篩查及診斷的典型代表。研究中深度學習算法的敏感度高達0.80，受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under the curve，AUC）值達到0.73，顯著高于傳統的評估方法[9]。而在Nature報道的一項使用機器視覺技術識別皮膚癌的研究[25]中，人工智能做出的判斷甚至優于專業的皮膚科醫生，并且這一模型已經被做成軟件推廣使用，可以預見此技術在心血管疾病領域同樣具有廣闊的應用前景。
機器視覺技術常常可以“超越”人眼而實現一些“無法完成”的診斷任務。例如Toba等[15]報道了使用機器視覺深度學習模型判斷體肺分流比（Qp/Qs），深度學習模型的診斷符合率顯著高于專家，并且和“金標準”經導管Fick法所測的數值比較，組內相關系數可達到0.68。在人類專家也可以完成的經視覺診斷任務面前，人工智能表現同樣出色。Hwang等[16]報道了使用人工智能模型判讀胸部X線片診斷胸部常見疾病（包括肺惡性腫瘤、活動性肺結核、肺炎和氣胸），在該研究中人工智能算法始終優于包括胸部放射科醫生在內的人類專家。在一些由于檢查和疾病的關聯或表現較為微弱而常規上無法形成診斷的情況下，人工智能往往可以起到放大鏡的作用。例如Mori等[17]報道了使用人工智能模型通過心電圖診斷房間隔缺損，深度學習的準確度可以達到89%，遠高于兒科心臟病專家（58%）。
同現有的部分診斷技術相比，人工智能技術也顯示出了巨大的優越性，目前臨床上常用的心電圖機大多帶有部分診斷提示功能，但人工智能則可以做得更好[26]。例如Giudicessi等[18]的一項研究顯示深度學習網絡模型檢測長QT綜合征的AUC值可達到0.97，遠勝過市面上常見的心電圖機器[26]。Simon等[27]使用來自電子病歷系統的心電圖及相關數據，通過深度神經網絡模型預測哪些人最容易發生藥物引起的QT延長，其AUC 值可達0.71。而Hannun等[19]的研究更是把人工智能分析心電圖推向更廣闊的應用。研究者使用深度神經網絡對12個心律類別進行分類，模型的AUC達到了0.97，并且人工智能的平均F1分數（即陽性預測值和敏感性的調和平均值）達到了0.837，超過了心臟病專家的平均分數（0.780）。對于心血管病事件來說，冠狀動脈鈣化一個準確預測因子，而傳統的評估方法則需要耗費大量的人力物力并且質量難以得到保證。Zeleznik等[20]則使用U-net網絡模型實現了自動識別和分割冠狀動脈鈣化并計算鈣化評分，在后續的隨訪中證實人工智能計算的結果和人類專家計算的結果同樣可靠。Wu等[21]使用深度學習的機器視覺模型基于超聲心動圖截面對先天性心臟病進行診斷，其敏感性和特異性分別達到了0.865和0.994。而在另一項基于超聲的胎兒先天性心臟病智能篩查研究[22]中，模型的AUC值也達到了0.99。除了靜態圖片，人工智能在動態視頻中表現同樣出色，甚至可以有效輔助外科手術的臨床決策。例如Lo Muzio等[23]采用法洛四聯癥患者手術前后的心臟跳動視頻，使用機器學習技術預測患者臨床結局，其真陽性率大于95%。在影像設備改良方面，Montalt-Tordera等[28]提出使用神經網絡優化成像系統，使得磁共振血管成像檢查所需的造影劑計量降低80%，這對評價心血管狀況時減少患者損傷具有重大意義。
2.2 在心血管疾病基礎研究方面
隨著生物醫學技術的發展和進步，顯微鏡及樣本制備等技術給科研人員產生了大量圖像數據。而這些數據往往需要“量化”及“數字化”才能進入下一步的分析流程。此類數據的傳統處理方法往往需要耗費大量人力進行單調機械性的重復勞動，并且較容易出錯。而一些人工智能方法往往很擅長完成此類工作。例如在圖像分割領域的U-net、SegNet、DeepLab等模型就已經在自動駕駛、工業生產、機器人等領域出色地完成了大量圖像快速分割及模態轉換任務[29-31]。在醫學研究領域，Falk等[24]報道了使用U-net網絡進行細胞檢測、形狀測量及三維重建的工作，并開發了相應的軟件以方便其他研究者應用并拓寬了模型的使用范圍。
3 自然語言處理
自然語言處理技術是一系列關于如何讓人類與計算機相互“走進對方內心”的技術方法[32]，也是人機交互研究的重要領域。我們將文本挖掘及分類、機器翻譯和語音識別技術都歸于此并描述其在心血管醫學領域的發展及應用。
3.1 在心血管疾病臨床診療方面
盡管直接進行人機對話或“自動生成問診病歷”的研究在心血管疾病領域尚未見到，但Bian等[33]報道了使用人工智能技術對患者進行出院后隨訪的研究，此模型可以模擬人聲并選擇合適的隨訪時間進行自動化及個性化的患者隨訪。可以收集患者反饋的語音信息并自動轉換為文本數據。這無疑會增強對患者的長期管理能力并提高醫療質量。
在語音識別方面，心音由于其復雜、多變及需要大量練習和培訓才能逐漸掌握，故人工聽診能力往往是不足的，這就為人工智能提供了大量的應用需求。Deng等[34]報道了使用卷積遞歸神經網絡對心音進行深度分析，在對生理和病理心音進行分類的任務中表現出了高達98%的準確度。Liu等[35]使用殘余卷積循環神經網絡對先天性心臟病患兒的聽診心音進行學習，在診斷左向右分流型先天性心臟病時準確度高達94.0%～99.4%，優于同期專家聽診的效果。但是，目前在心音聽診方面，仍存在缺乏高質量、標準化、公開的帶有疾病標簽的心音數據庫[36]的問題，這使得依賴數據進行訓練的人工智能技術嚴重“先天不足”，這也成為相關工作者的一大工作重點。
另外，為了輔助大規模數據集的建立及病案信息智能化管理，部分研究者使用自然語言處理技術分析病歷文本從而提取關鍵信息進行后續處理。例如斯坦福大學的研究者[37]公布了一款自動爬取胸部X線片診斷報告，從而快速匹配胸部X線片圖像和診斷關鍵詞的文本分析工具，實現了圖像和診斷信息的快速匹配。這對開發大型數據集并進一步提升人工智能模型的性能具有重大意義。
3.2 在心血管疾病研究方面
無論是臨床診療還是基礎研究，研究者都需要把握整個學科的趨勢與進展。然而從數十萬篇文獻中分析出當今的研究熱點絕非易事，并且可能會因為文獻閱讀數量的局限而陷入偏差。Gal等[38]使用深度學習自然語言處理技術進行文本聚類、關鍵詞提取及發展趨勢描繪，他們分析了478 000篇文獻，確定并標記了175個心血管主題和20個大型文獻群，提出了總體上基礎研究的熱度隨時間推移有所降低，但干細胞和組織工程以及轉化研究方面的研究數量則大幅增長。炎癥、生物標志物、代謝綜合征、肥胖和血脂是橫跨流行病學、臨床和基礎研究的熱門話題，這支持了對整個心血管領域進行的整合[38]。此類研究對于僅依靠部分專家閱讀部分文獻是無法實現的。并且人工智能可以對文獻中“文本中隱含的數據”進行提取，進一步增強了研究的可靠性。無獨有偶，不僅僅是對單一學科的發展趨勢的探討，Gates等[39]利用117年來的Web of Science數據庫中近7億個引用關系所構建的學科交叉圖譜，展示了生命科學、經濟學、社會科學、計算機科學等不同科學領域的學科交叉情況，首次用數據和圖表清晰地揭示了交叉互融、協調互促的發展趨勢。
4 機器人
機器人經歷了由簡單工具到現代集成化自動化設備的演變[40]，隨著對其要求的不斷提高，基于感知、交互和運動的機器人技術無可避免地走向智能化。可以說人工智能是機器人技術發展的必然方向，而機器人是包括智能視覺、語言處理、路徑規劃等人工智能技術集中應用的重要領域。目前機器人技術在醫學的應用主要集中在機器人輔助手術方面，應用人工智能的報道及技術相對較少。例如Tamadon等[41]報道了使用ValveTech機器人實現微創主動脈瓣疾病治療，該機器人由柔性電纜控制的機械手和控制單元組成。柔性操縱器裝載微型攝像機、靈巧型引導器及個性化插裝管裝置等功能組件，可以幫助正確放置瓣膜。而其它更多的機器人應用，如使用達芬奇機器人輔助心臟手術，則因較少涉及人工智能技術而不在此進一步討論。
但是隨著遠程醫療和介入手術，尤其是超聲引導介入治療技術的發展，可以預見智能型手術機器人和遠程手術系統將得到進一步的發展。例如潘湘斌團隊[42-43]所首創并推廣的超聲引導心臟病介入技術中，智能機器人可以和機器視覺技術配合，將超聲圖像更加立體、直觀地展示在術者面前，同時可以建立手術預警系統，像自動駕駛技術中的車道檢測及疲勞檢測一樣保護心臟結構不受到手術操作額外的傷害。這樣既提高了手術的安全性，又降低了手術操作的入門難度，便于此類新技術的推廣。
5 機器學習
機器學習是傳統統計學和計算機科學交叉的產物，涉及概率論、計算幾何、算法復雜度等眾多領域。正如Jordan等[44]在Science所描述的那樣，它關注的問題是如何建造可以通過經驗進行自動改進的算法模型。作為人工智能的基礎知識和傳統統計學方法的重要補充，機器學習技術正在越來越多地應用到胸心血管疾病相關研究的數據統計分析工作中[45]。
隨著醫用設施及技術的發展，醫療信息的保存日趨完善，可用于科學研究的數據也越來越多。但是在應對多類型、復雜結構及大數據量的新數據分析需求時，傳統統計學方法往往捉襟見肘。而機器學習技術恰恰憑借豐富的算法種類和學習特性，能夠很好地處理這類數據。例如D'Ascenzo等[46]使用了自適應增強、樸素貝葉斯、K近鄰和隨機森林4種機器學習算法，對19 826例急性冠狀動脈綜合征患者遠期的出血、缺血風險進行分級，并做出了高危因素排序，對臨床診療極具指導價值。這是傳統統計學方法難以實現的。再如Chen等[47]使用樸素貝葉斯、線性回歸、決策樹、隨機森林和梯度增強決策樹5種算法，利用84個術前及術中因素對急性A型主動脈夾層患者ICU住院時間進行了預測，模型的AUC可高達0.991。Begic等[48]報道了使用隨機森林、支持向量機等機器學習方法，通過來自基本體檢和評估時獲得的16個常規指標檢測先天性心臟病，其準確率高達90%以上。Chang Junior等[49]利用隨機森林算法使用常見臨床病歷數據對先天性心臟病手術患者的死亡結局進行預測，其AUC值可達0.902。這一成果已經制成網絡應用供臨床醫生參考。
6 總結與展望
綜上所述，目前人工智能與心血管病研究結合的領域還處于“弱人工智能”階段，人工智能模型建立于大量手工標記工作的基礎上，以“監督學習”和“半監督學習”為主。實際應用的過程中仍然僅作為人類專家工作的參考，在具體疾病診療過程中這一點尤為重要。但人工智能技術在這一領域的應用潛力是有目共睹的。目前人工智能在心血管領域應用存在兩個主要問題，限制了技術的優化和工具性能的提高。一方面人工智能模型需要海量數據進行訓練，但醫療信息天生的倫理和隱私問題造成這些數據割裂地存在于每個醫療機構，形成“數據孤島”，難以支持深度大規模的模型訓練和模型魯棒性增強，致使人工智能技術難以在實際應用中取得理性的效果。另一方面，由于醫療數據背景復雜，通常為小樣本多模態數據，應用中很容易出現過擬合狀態，對算法的要求很高，需要進一步的“底層創新”來加強算法性能和適應性。基于我們對這一領域的認識和理解，我們認為未來該領域的發展會向著解決上述兩個問題的方向前進。一方面大規模、多中心、標準化數據集的建立，提高發展人工智能技術的“物質基礎”水平。另一方面則是算法結構和模型的優化，提高人工智能技術和心血管疾病數據的契合度。這也是“弱人工智能”向“強人工智能”轉變的基本要求。因此，在這一交叉領域的發展中必須堅持“兩手抓”，一方面建立更大規模、高質量的數據集，一方面推進底層算法的創新優化。雖然目前人工智能在心血管病診療中僅能起到輔助和參考作用，但是其具有巨大的發展和應用潛力。
目前人工智能的各項技術在心血管疾病領域的應用較為集中于醫療圖像處理和醫療數據分析領域。自然語言處理技術在心血管疾病領域則主要用于文書及音頻分析工作。而智能機器人技術受限于技術及相關倫理問題，在心血管疾病方面的應用還有待進一步發掘，但其在治療方案制定和協助手術方面已經可以看到深入應用的希望。例如在心血管病領域取得越來越多應用的3D打印技術[50-51]，可以結合人工智能開發出更高維度的模型，模型將不僅僅局限于形態的一致，材料學特性、力學特性、生物學特性都可以使用機器人進行綜合模擬，這種更逼真的心血管模型也將在疾病的研究和治療中發揮獨特的作用[52]。再如通過對大量手術數據的分析，人工智能技術可能會有能力對術者的部分不規范操作進行提醒和矯正，這對遠程手術和機器人輔助手術尤為重要[53]。
需要我們注意的是，目前人工智能技術與心血管疾病領域的“互動”主要為應用層面的研究與創新，更多的是方法學模板的“套用”而非底層思維與方法的“革新”。目前人工智能技術依賴大量高質量數據進行優化和參數調整，但現實的倫理問題及有限的醫療資源常常使得醫療領域難以像其它工業領域那樣提供海量的大數據資源來訓練智能模型，因此底層算法的革新就成為了人工智能適應醫療資源現狀并個性化發展的重要方法。例如“U-Net”模型由于其U型結構能夠很好地適應小規模數據集[31]，配合彈性形變在細胞分割任務可以中取得很好的效果，被很多研究[23,28,31]所采納。
另外在發展技術的同時，應當強調醫學是有人文溫度的科學，人工智能的角色是輔助人而非替代人，在醫工融合并逐步影響醫療實踐[54-55]的過程中，新醫療模式下對醫患雙方的人文關懷仍是我們必須重視并積極思考的問題之一。
利益沖突：無。
作者貢獻：潘湘斌負責選題、設計及資料的分析，進行論文起草及修改，對編輯部的修改意見進行核修，在學術界進行答辯，并最終同意該文發表；劉則燁負責選題、設計及資料的分析，進行論文起草及修改，對編輯部的修改意見進行核修，在學術界進行答辯，并最終同意該文發表。
自1950年Turing等[1]在《Computing Machinery and Intelligence》中提出“圖靈測試”并指出“讓機器產生智能”以來，數十年間人工智能技術得到了飛速的發展，并逐步向“廣義”和“通用”進發。其在計算機科學、通訊、金融、運輸等行業發揮著越來越重大的作用[2]。在醫學領域，中國工程院更是在2020年12月18日發布的《全球工程前沿2020》報告[3]中將“基于AI的臨床診斷決策支持系統”列為了工程研究前沿。心血管疾病作為世界范圍內的頭號殺手[4]，在中國的患病率和死亡率隨著國內人口生活水平的迅速提高和生活方式的急劇改變而快速飆升[5]，已經成為當前醫學科學面臨的重大挑戰。隨著人工智能技術與醫學的深入融合，借助此類技術抗擊心血管疾病已經成為了必然的選擇，其在心血管疾病防治領域的應用也必將越來越廣泛。作為現代人工智能的三個關鍵能力：感知（視覺）、通訊與行動[6-8]，分別對應人工智能相關技術及研究的三大方面：計算機視覺、自然語言處理[9-10]和機器人[11]。為方便總結，本文將文本挖掘及分類、機器翻譯和語音識別技術歸入自然語言處理技術進行敘述。另外，作為人工智能的基礎知識和傳統統計學方法的重要補充，機器學習技術正越來越多地應用到心血管疾病相關研究的數據分析工作中。故本文將從上述四個方面對廣義人工智能在心血管疾病防治領域應用進行討論。
1 文獻檢索
計算機檢索Web of Science、PubMed、中國知網、萬方、維普 5個數據庫，獲取關于人工智能在心血管疾病防治領域應用的文獻。中文檢索式為“人工智能”并“心血管”、“人工智能”并“心臟”、“人工智能”并“血管”。英文檢索式為“artificial intelligence”AND“cardiovascular”、“artificial intelligence”AND“heart”、“artificial intelligence”AND“blood vessels”。
在這一新興領域中，部分研究者可能會出現對“人工智能”定義過于寬泛，對部分新技術錯誤歸類的現象。我們在本文中嚴格執行“圖靈測試”的標準[1]，在心血管疾病研究領域內選取真正企圖了解智能的實質，并生產出一種新的、能以人類智能相似的方式做出反應的智能系統的研究進行綜述。選取的文獻由3名具備兩個領域專業背景的研究者進行背對背評價，嚴格遵循上述標準，只有全部認可的文獻才能進入本文進行綜述。希望從計算機科學的角度更加嚴格地劃分并描述這一醫工交叉領域的現狀，對以往工作進行有效補充。
2 機器視覺
機器視覺可以概括為用機器代替人眼來做測量和判斷[12]，醫學領域與其關聯最為緊密的就是各類圖像的識別與分析[13-24]；見表1。
表1
計算機視覺在心血管疾病領域的應用
2.1 在心血管疾病臨床診療方面
作為心血管疾病的重要致病因子，血壓異常往往難以在早期被人們發現，傳統的血壓監測方法主要為各類血壓計及充氣袖帶，往往因不方便或不舒服在醫療場所外應用較少。而Barszczyk等[13]則報道了使用機器視覺技術通過手機拍攝面部視頻來估測肱動脈血壓，在實驗室條件下達到了媲美傳統血壓檢測儀的準確性。中國醫學科學院阜外醫院研究者[14]報道的通過面部特征診斷冠狀動脈粥樣硬化性心臟病的研究，更是使用計算機視覺技術輔助疾病篩查及診斷的典型代表。研究中深度學習算法的敏感度高達0.80，受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under the curve，AUC）值達到0.73，顯著高于傳統的評估方法[9]。而在Nature報道的一項使用機器視覺技術識別皮膚癌的研究[25]中，人工智能做出的判斷甚至優于專業的皮膚科醫生，并且這一模型已經被做成軟件推廣使用，可以預見此技術在心血管疾病領域同樣具有廣闊的應用前景。
機器視覺技術常常可以“超越”人眼而實現一些“無法完成”的診斷任務。例如Toba等[15]報道了使用機器視覺深度學習模型判斷體肺分流比（Qp/Qs），深度學習模型的診斷符合率顯著高于專家，并且和“金標準”經導管Fick法所測的數值比較，組內相關系數可達到0.68。在人類專家也可以完成的經視覺診斷任務面前，人工智能表現同樣出色。Hwang等[16]報道了使用人工智能模型判讀胸部X線片診斷胸部常見疾病（包括肺惡性腫瘤、活動性肺結核、肺炎和氣胸），在該研究中人工智能算法始終優于包括胸部放射科醫生在內的人類專家。在一些由于檢查和疾病的關聯或表現較為微弱而常規上無法形成診斷的情況下，人工智能往往可以起到放大鏡的作用。例如Mori等[17]報道了使用人工智能模型通過心電圖診斷房間隔缺損，深度學習的準確度可以達到89%，遠高于兒科心臟病專家（58%）。
同現有的部分診斷技術相比，人工智能技術也顯示出了巨大的優越性，目前臨床上常用的心電圖機大多帶有部分診斷提示功能，但人工智能則可以做得更好[26]。例如Giudicessi等[18]的一項研究顯示深度學習網絡模型檢測長QT綜合征的AUC值可達到0.97，遠勝過市面上常見的心電圖機器[26]。Simon等[27]使用來自電子病歷系統的心電圖及相關數據，通過深度神經網絡模型預測哪些人最容易發生藥物引起的QT延長，其AUC 值可達0.71。而Hannun等[19]的研究更是把人工智能分析心電圖推向更廣闊的應用。研究者使用深度神經網絡對12個心律類別進行分類，模型的AUC達到了0.97，并且人工智能的平均F1分數（即陽性預測值和敏感性的調和平均值）達到了0.837，超過了心臟病專家的平均分數（0.780）。對于心血管病事件來說，冠狀動脈鈣化一個準確預測因子，而傳統的評估方法則需要耗費大量的人力物力并且質量難以得到保證。Zeleznik等[20]則使用U-net網絡模型實現了自動識別和分割冠狀動脈鈣化并計算鈣化評分，在后續的隨訪中證實人工智能計算的結果和人類專家計算的結果同樣可靠。Wu等[21]使用深度學習的機器視覺模型基于超聲心動圖截面對先天性心臟病進行診斷，其敏感性和特異性分別達到了0.865和0.994。而在另一項基于超聲的胎兒先天性心臟病智能篩查研究[22]中，模型的AUC值也達到了0.99。除了靜態圖片，人工智能在動態視頻中表現同樣出色，甚至可以有效輔助外科手術的臨床決策。例如Lo Muzio等[23]采用法洛四聯癥患者手術前后的心臟跳動視頻，使用機器學習技術預測患者臨床結局，其真陽性率大于95%。在影像設備改良方面，Montalt-Tordera等[28]提出使用神經網絡優化成像系統，使得磁共振血管成像檢查所需的造影劑計量降低80%，這對評價心血管狀況時減少患者損傷具有重大意義。
2.2 在心血管疾病基礎研究方面
隨著生物醫學技術的發展和進步，顯微鏡及樣本制備等技術給科研人員產生了大量圖像數據。而這些數據往往需要“量化”及“數字化”才能進入下一步的分析流程。此類數據的傳統處理方法往往需要耗費大量人力進行單調機械性的重復勞動，并且較容易出錯。而一些人工智能方法往往很擅長完成此類工作。例如在圖像分割領域的U-net、SegNet、DeepLab等模型就已經在自動駕駛、工業生產、機器人等領域出色地完成了大量圖像快速分割及模態轉換任務[29-31]。在醫學研究領域，Falk等[24]報道了使用U-net網絡進行細胞檢測、形狀測量及三維重建的工作，并開發了相應的軟件以方便其他研究者應用并拓寬了模型的使用范圍。
3 自然語言處理
自然語言處理技術是一系列關于如何讓人類與計算機相互“走進對方內心”的技術方法[32]，也是人機交互研究的重要領域。我們將文本挖掘及分類、機器翻譯和語音識別技術都歸于此并描述其在心血管醫學領域的發展及應用。
3.1 在心血管疾病臨床診療方面
盡管直接進行人機對話或“自動生成問診病歷”的研究在心血管疾病領域尚未見到，但Bian等[33]報道了使用人工智能技術對患者進行出院后隨訪的研究，此模型可以模擬人聲并選擇合適的隨訪時間進行自動化及個性化的患者隨訪。可以收集患者反饋的語音信息并自動轉換為文本數據。這無疑會增強對患者的長期管理能力并提高醫療質量。
在語音識別方面，心音由于其復雜、多變及需要大量練習和培訓才能逐漸掌握，故人工聽診能力往往是不足的，這就為人工智能提供了大量的應用需求。Deng等[34]報道了使用卷積遞歸神經網絡對心音進行深度分析，在對生理和病理心音進行分類的任務中表現出了高達98%的準確度。Liu等[35]使用殘余卷積循環神經網絡對先天性心臟病患兒的聽診心音進行學習，在診斷左向右分流型先天性心臟病時準確度高達94.0%～99.4%，優于同期專家聽診的效果。但是，目前在心音聽診方面，仍存在缺乏高質量、標準化、公開的帶有疾病標簽的心音數據庫[36]的問題，這使得依賴數據進行訓練的人工智能技術嚴重“先天不足”，這也成為相關工作者的一大工作重點。
另外，為了輔助大規模數據集的建立及病案信息智能化管理，部分研究者使用自然語言處理技術分析病歷文本從而提取關鍵信息進行后續處理。例如斯坦福大學的研究者[37]公布了一款自動爬取胸部X線片診斷報告，從而快速匹配胸部X線片圖像和診斷關鍵詞的文本分析工具，實現了圖像和診斷信息的快速匹配。這對開發大型數據集并進一步提升人工智能模型的性能具有重大意義。
3.2 在心血管疾病研究方面
無論是臨床診療還是基礎研究，研究者都需要把握整個學科的趨勢與進展。然而從數十萬篇文獻中分析出當今的研究熱點絕非易事，并且可能會因為文獻閱讀數量的局限而陷入偏差。Gal等[38]使用深度學習自然語言處理技術進行文本聚類、關鍵詞提取及發展趨勢描繪，他們分析了478 000篇文獻，確定并標記了175個心血管主題和20個大型文獻群，提出了總體上基礎研究的熱度隨時間推移有所降低，但干細胞和組織工程以及轉化研究方面的研究數量則大幅增長。炎癥、生物標志物、代謝綜合征、肥胖和血脂是橫跨流行病學、臨床和基礎研究的熱門話題，這支持了對整個心血管領域進行的整合[38]。此類研究對于僅依靠部分專家閱讀部分文獻是無法實現的。并且人工智能可以對文獻中“文本中隱含的數據”進行提取，進一步增強了研究的可靠性。無獨有偶，不僅僅是對單一學科的發展趨勢的探討，Gates等[39]利用117年來的Web of Science數據庫中近7億個引用關系所構建的學科交叉圖譜，展示了生命科學、經濟學、社會科學、計算機科學等不同科學領域的學科交叉情況，首次用數據和圖表清晰地揭示了交叉互融、協調互促的發展趨勢。
4 機器人
機器人經歷了由簡單工具到現代集成化自動化設備的演變[40]，隨著對其要求的不斷提高，基于感知、交互和運動的機器人技術無可避免地走向智能化。可以說人工智能是機器人技術發展的必然方向，而機器人是包括智能視覺、語言處理、路徑規劃等人工智能技術集中應用的重要領域。目前機器人技術在醫學的應用主要集中在機器人輔助手術方面，應用人工智能的報道及技術相對較少。例如Tamadon等[41]報道了使用ValveTech機器人實現微創主動脈瓣疾病治療，該機器人由柔性電纜控制的機械手和控制單元組成。柔性操縱器裝載微型攝像機、靈巧型引導器及個性化插裝管裝置等功能組件，可以幫助正確放置瓣膜。而其它更多的機器人應用，如使用達芬奇機器人輔助心臟手術，則因較少涉及人工智能技術而不在此進一步討論。
但是隨著遠程醫療和介入手術，尤其是超聲引導介入治療技術的發展，可以預見智能型手術機器人和遠程手術系統將得到進一步的發展。例如潘湘斌團隊[42-43]所首創并推廣的超聲引導心臟病介入技術中，智能機器人可以和機器視覺技術配合，將超聲圖像更加立體、直觀地展示在術者面前，同時可以建立手術預警系統，像自動駕駛技術中的車道檢測及疲勞檢測一樣保護心臟結構不受到手術操作額外的傷害。這樣既提高了手術的安全性，又降低了手術操作的入門難度，便于此類新技術的推廣。
5 機器學習
機器學習是傳統統計學和計算機科學交叉的產物，涉及概率論、計算幾何、算法復雜度等眾多領域。正如Jordan等[44]在Science所描述的那樣，它關注的問題是如何建造可以通過經驗進行自動改進的算法模型。作為人工智能的基礎知識和傳統統計學方法的重要補充，機器學習技術正在越來越多地應用到胸心血管疾病相關研究的數據統計分析工作中[45]。
隨著醫用設施及技術的發展，醫療信息的保存日趨完善，可用于科學研究的數據也越來越多。但是在應對多類型、復雜結構及大數據量的新數據分析需求時，傳統統計學方法往往捉襟見肘。而機器學習技術恰恰憑借豐富的算法種類和學習特性，能夠很好地處理這類數據。例如D'Ascenzo等[46]使用了自適應增強、樸素貝葉斯、K近鄰和隨機森林4種機器學習算法，對19 826例急性冠狀動脈綜合征患者遠期的出血、缺血風險進行分級，并做出了高危因素排序，對臨床診療極具指導價值。這是傳統統計學方法難以實現的。再如Chen等[47]使用樸素貝葉斯、線性回歸、決策樹、隨機森林和梯度增強決策樹5種算法，利用84個術前及術中因素對急性A型主動脈夾層患者ICU住院時間進行了預測，模型的AUC可高達0.991。Begic等[48]報道了使用隨機森林、支持向量機等機器學習方法，通過來自基本體檢和評估時獲得的16個常規指標檢測先天性心臟病，其準確率高達90%以上。Chang Junior等[49]利用隨機森林算法使用常見臨床病歷數據對先天性心臟病手術患者的死亡結局進行預測，其AUC值可達0.902。這一成果已經制成網絡應用供臨床醫生參考。
6 總結與展望
綜上所述，目前人工智能與心血管病研究結合的領域還處于“弱人工智能”階段，人工智能模型建立于大量手工標記工作的基礎上，以“監督學習”和“半監督學習”為主。實際應用的過程中仍然僅作為人類專家工作的參考，在具體疾病診療過程中這一點尤為重要。但人工智能技術在這一領域的應用潛力是有目共睹的。目前人工智能在心血管領域應用存在兩個主要問題，限制了技術的優化和工具性能的提高。一方面人工智能模型需要海量數據進行訓練，但醫療信息天生的倫理和隱私問題造成這些數據割裂地存在于每個醫療機構，形成“數據孤島”，難以支持深度大規模的模型訓練和模型魯棒性增強，致使人工智能技術難以在實際應用中取得理性的效果。另一方面，由于醫療數據背景復雜，通常為小樣本多模態數據，應用中很容易出現過擬合狀態，對算法的要求很高，需要進一步的“底層創新”來加強算法性能和適應性。基于我們對這一領域的認識和理解，我們認為未來該領域的發展會向著解決上述兩個問題的方向前進。一方面大規模、多中心、標準化數據集的建立，提高發展人工智能技術的“物質基礎”水平。另一方面則是算法結構和模型的優化，提高人工智能技術和心血管疾病數據的契合度。這也是“弱人工智能”向“強人工智能”轉變的基本要求。因此，在這一交叉領域的發展中必須堅持“兩手抓”，一方面建立更大規模、高質量的數據集，一方面推進底層算法的創新優化。雖然目前人工智能在心血管病診療中僅能起到輔助和參考作用，但是其具有巨大的發展和應用潛力。
目前人工智能的各項技術在心血管疾病領域的應用較為集中于醫療圖像處理和醫療數據分析領域。自然語言處理技術在心血管疾病領域則主要用于文書及音頻分析工作。而智能機器人技術受限于技術及相關倫理問題，在心血管疾病方面的應用還有待進一步發掘，但其在治療方案制定和協助手術方面已經可以看到深入應用的希望。例如在心血管病領域取得越來越多應用的3D打印技術[50-51]，可以結合人工智能開發出更高維度的模型，模型將不僅僅局限于形態的一致，材料學特性、力學特性、生物學特性都可以使用機器人進行綜合模擬，這種更逼真的心血管模型也將在疾病的研究和治療中發揮獨特的作用[52]。再如通過對大量手術數據的分析，人工智能技術可能會有能力對術者的部分不規范操作進行提醒和矯正，這對遠程手術和機器人輔助手術尤為重要[53]。
需要我們注意的是，目前人工智能技術與心血管疾病領域的“互動”主要為應用層面的研究與創新，更多的是方法學模板的“套用”而非底層思維與方法的“革新”。目前人工智能技術依賴大量高質量數據進行優化和參數調整，但現實的倫理問題及有限的醫療資源常常使得醫療領域難以像其它工業領域那樣提供海量的大數據資源來訓練智能模型，因此底層算法的革新就成為了人工智能適應醫療資源現狀并個性化發展的重要方法。例如“U-Net”模型由于其U型結構能夠很好地適應小規模數據集[31]，配合彈性形變在細胞分割任務可以中取得很好的效果，被很多研究[23,28,31]所采納。
另外在發展技術的同時，應當強調醫學是有人文溫度的科學，人工智能的角色是輔助人而非替代人，在醫工融合并逐步影響醫療實踐[54-55]的過程中，新醫療模式下對醫患雙方的人文關懷仍是我們必須重視并積極思考的問題之一。
利益沖突：無。
作者貢獻：潘湘斌負責選題、設計及資料的分析，進行論文起草及修改，對編輯部的修改意見進行核修，在學術界進行答辯，并最終同意該文發表；劉則燁負責選題、設計及資料的分析，進行論文起草及修改，對編輯部的修改意見進行核修，在學術界進行答辯，并最終同意該文發表。
