2021年人工智能在超声心动图的应用及进展(全文).docxVIP

2021年人工智能在超声心动 J应用及进展(全文) 1 .人工智能概述 人工智能 人工智能(Artificial intelligence , AI)是一种能够模拟、扩展人类智能 及执行相关任务的技术方法。随看人工智能算法的不断变革及发展，人工 智能技术与基因工程、纳米科学一同被誉为21世纪三大尖端科技。我国 于2021年启动了人工智能计划，并把人工智能上升为国家战略，鼓励推 广其在医疗、健康等领域的应用。 机器学习 机器学习(Machine learning, ML )是人工智能的一个组成部分，也是人 工智能应用于心血管医学的研究热点。机器学习是研究和开发从数据中学 习、识^图案并作出决策的系统。机器学习的算法包括监曾学习、半监督 学习及无监晉学习，取决于数据是否完全标记、部分标记或未标记。其中 监督学习是目前人工智能应用落地最成功的领域，通过输入手动标记的数 据集，开发出最优模型，可对数据进行分类及输出预测结局。与传统的统 计学相比，机器学习无需进行任何假设来生成P值，在准确性、预测性能 和处理复杂数据方面，优于传统的Logistic回归法。在大数据背景下，基 于机器学习的人工智能被视为海量数据和数据解读者——医师之间的桥 深度学习 深度学习(Deep learning, DL )是机器学习备受关注的子领域，在心血 管医学影像具有极大的潜力。深度学习是将原始数据提供给机器，由机器 识别所需表达、层层传递(类似于人脑神经元传递、处理信息的模式), 并自动输出结果，本质上是一种人工的神经网络，包括循环神经网络 (Recurrent neural network, RNN )、卷积神经网络(Convolutional neural networks, CNN )和深度神经网络(Deep Neural Networks, DNN)等技术。优势在于模拟人的人知，自动化医学圏像解释,帮助临床 决策。 图1:人工智能概念关系图 2 .人工智能在超声心动图的应用 准确、可靠的超声心动图是现代心脏病诊断和治疗的核心。随着超声心动 圏技术的发展，三维超声心动圏被认为准确度可媲美心脏磁共振检查 (Cardiac magnetic resonance, CMR )，超声心动圏的下一 发展方向， 除了自身技术的不断推陈出新，人工智能技术的融合至关重要。 心脏结构和功能的自动量化 左心室大小和功能的评估是超声心动圏的关縫部分，多个超声机器供应 商，如GE、飞利浦、西门子、东芝等心脏高端机已纳入自动化定量软件, 可进行自动心房、心室定量和射血分数计算。飞^浦EPIQ Cvx心血管专 用AI超声系统包括全面的自动心脏定量技术,可实现超声心动图的自动 快速定量，减少人工依赖性。人工智能实现自动量化的基础，是精准的图 像识别及解剖结构分割。Zhang J等人开发了一种基于深度学习的超声心 动图圏像全自动解析算法，通过纳入大样本(超过14,000人)进行模型 训练，使得图像识别的准确性达到96% ,圏像分割的准确性达到72% - 90% ,心脏自动定量的一致性媲美甚至超过人工测量。该团队同时成功地 训练卷积神经网络，以检测肥厚型心肌病、心脏淀粉样变性和肺动脉高压， 具有较高的准确性。值得注意的是，即使是超过10000人的大样本，在人 工智能的帮助下，该团队仅花费了几周时间来完成评估。在Asch等人2021年的一项研究中，通过机器学习模型对99例患者进行左心室射血分 数的自动量化，与传统的人工测量相比，结果显示较高的相关性(-0.95 ) 和良好的一致性(r=0.94 )。 图2 :基于人工智能自动计算射血分粘 图3:基于三维超声心动 图3:基于三维超声心动 的自动左房、左心室容积定量分析 图4:左心房应变自动量化分析 图5:基于三维超声心动圏的自动右心室定量分析 斑点追踪超声心动图 斑点追踪超声心动圏(Speckle tracking echocardiographic, STE )通过 计算机图像分析技术追踪心肌的超声灰阶斑点，计算心肌变形相关参数, 从而进行整体和局部心功能的评估。Farsalinos等研究发现基于斑点追踪 超声心动图测量的数据，与传统的二维和多昔勒数据相比可重复性更好。 Narula等将监督学习算法与斑点追踪超声心动圏数据进行整合分析结果 表明机器学习有助于区分肥厚型心肌病及运动员心脏肥厚。Sengupta等 纳入15个STE指标和4个常规超声心动图指标进行监督学习模型训练, 结果显示机器学习在鉴别缩窄性心包炎和限制性心肌病方面优于其它超 声心动图指标。机器学习融合STE技术，可尝试开发出识^不同疾病的系 统，对于经验有限的医师来说，有一定参考作用。 图6 :融合人工智能技术的斑点追踪定量分析 ,图7 . 8 :基于三维超声心动 ,