心血管疾病由遺傳、環(huán)境和行為等多種因素引起，在本質(zhì)上是復(fù)雜和異質(zhì)的。心血管醫(yī)療正在轉(zhuǎn)向精準(zhǔn)醫(yī)學(xué)的模式，即基于患者特異度的基因表型、臨床表現(xiàn)、生物標(biāo)志物、心血管影像、行為特征等，采用量身定制的預(yù)防、診斷、治療和預(yù)后策略［1，2］。各種影像技術(shù)在心血管疾病的診斷、治療和預(yù)后管理中起著至關(guān)重要的作用。近些年來，心血管影像技術(shù)發(fā)展迅速，并產(chǎn)生大量的數(shù)據(jù)［3，4］。心血管疾病中大數(shù)據(jù)分析的指數(shù)增長和生物信息學(xué)的進(jìn)步使得心血管醫(yī)療發(fā)生革命性的變化，因此特別需要人工智能（artificial intelligence，AI）幫助［5，6］。人工智能是計算機(jī)科學(xué)的一個領(lǐng)域，包括機(jī)器學(xué)習(xí)和認(rèn)知計算等，旨在模擬人類的思維過程、學(xué)習(xí)能力和知識存儲。機(jī)器學(xué)習(xí)是人工智能的重要組成部分，已應(yīng)用于心血管醫(yī)學(xué)，用于探索現(xiàn)有疾病的新基因型和表型，提高患者醫(yī)療質(zhì)量，降低再入院率和病死率。計算機(jī)和影像技術(shù)的發(fā)展共同促進(jìn)了機(jī)器學(xué)習(xí)在心血管影像中的應(yīng)用［7］。機(jī)器學(xué)習(xí)法可以解決數(shù)據(jù)相關(guān)的問題，包括從現(xiàn)有測量數(shù)據(jù)的簡單查詢到分析原始圖像所涉及更復(fù)雜的挑戰(zhàn)。本綜述將從機(jī)器學(xué)習(xí)概念、分類、機(jī)器學(xué)習(xí)在心血管影像中的應(yīng)用以及目前存在的限制和不足進(jìn)行闡述。

機(jī)器學(xué)習(xí)的概念和分類

1．監(jiān)督學(xué)習(xí)：

監(jiān)督學(xué)習(xí)的特征是使用帶標(biāo)記的數(shù)據(jù)集以及有相應(yīng)的輸出標(biāo)簽，通過已有的一部分輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的對應(yīng)關(guān)系，生成一個函數(shù)，將輸入映射到合適的輸出。可用于監(jiān)督學(xué)習(xí)的算法包括支持向量機(jī)（support vector machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林、樸素貝葉斯分類器等。支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)是兩種最流行的算法，因為它們與復(fù)雜的大數(shù)據(jù)（例如組學(xué)數(shù)據(jù)）兼容，并且比其他監(jiān)督學(xué)習(xí)算法準(zhǔn)確度更高［12］。監(jiān)督學(xué)習(xí)算法已經(jīng)成功地應(yīng)用于心血管疾病的診斷、治療和預(yù)測以及心血管影像的圖像分析。Berikol等［13］研究機(jī)器學(xué)習(xí)是否有助于診斷急性冠狀動脈綜合征并指導(dǎo)臨床醫(yī)師進(jìn)行后續(xù)的治療決策，對228例急診胸痛患者的臨床、實驗室和影像學(xué)資料進(jìn)行回顧性分析并比較四種監(jiān)督學(xué)習(xí)算法的效能（支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯和Logistic回歸）。228例患者中，99例（43.4%）診斷為急性冠狀動脈綜合征，使用支持向量機(jī)的分類模型達(dá)到了99.13%的成功率，準(zhǔn)確度最高。結(jié)果表明，機(jī)器學(xué)習(xí)可以幫助急診科醫(yī)師利用各種數(shù)據(jù)迅速做出正確決策。監(jiān)督學(xué)習(xí)算法需要大量的數(shù)據(jù)集來訓(xùn)練模型和驗證數(shù)據(jù)集。監(jiān)督學(xué)習(xí)還需要手動標(biāo)記訓(xùn)練數(shù)據(jù)集來預(yù)測已知的輸出結(jié)果（例如病死率和再入院率）。

2．無監(jiān)督學(xué)習(xí)：

3．深度學(xué)習(xí)：

機(jī)器學(xué)習(xí)在心血管影像中的應(yīng)用

在心臟磁共振檢查中，左室結(jié)構(gòu)和功能是最主要的評價指標(biāo)，而磁共振圖像缺乏像CT圖像中CT值那樣的標(biāo)準(zhǔn)度量，且容易受心臟搏動和呼吸偽影的影響，使得直接應(yīng)用基于信號強(qiáng)度的圖像標(biāo)注技術(shù)具有挑戰(zhàn)性。Avendi等［22］利用深度學(xué)習(xí)算法來進(jìn)行磁共振圖像的左室完全自動標(biāo)注，該技術(shù)準(zhǔn)確度達(dá)到90%，平均標(biāo)注時間《0.5 s，優(yōu)于現(xiàn)有其他方法。Tan等［23］研究亦證實利用神經(jīng)網(wǎng)絡(luò)回歸的自動左室標(biāo)注算法，經(jīng)多個醫(yī)學(xué)影像中心和掃描儀器的心臟磁共振圖像數(shù)據(jù)集進(jìn)行驗證，Jaccard指數(shù)、Hausdorff距離分別為0.77和1.33，診斷效能較以往研究明顯提高，提示有很重要的臨床應(yīng)用價值。

機(jī)器學(xué)習(xí)也可用于心電診斷影像領(lǐng)域。2017年，Kardia Mobile（KM）（AliveCor Inc.，San Francisco，CA，USA）獲得美國FDA批準(zhǔn)，成為標(biāo)準(zhǔn)的醫(yī)療心率監(jiān)測設(shè)備，它由一個帶有兩個導(dǎo)電板的小設(shè)備和一個安裝在用戶智能手機(jī)上的應(yīng)用程序組成，適用于iOS和Android平臺智能手機(jī)用戶。患者只需將拇指放在集成式傳感器上，即可隨時隨地獲取心電圖數(shù)據(jù)，實現(xiàn)心律異常和心房顫動的監(jiān)測，同時借助AI軟件分析心率和活動傳感器的數(shù)據(jù)，每月生成一次心電圖總結(jié)報告，并將記錄發(fā)送醫(yī)師。Koltowski等［24］證實KM與常規(guī)的12導(dǎo)聯(lián)心電圖相媲美，在房顫患者的診斷敏感度和特異度達(dá)92.8%和100%。臨床對這種易于使用的移動心電圖的需求是巨大的，KM的出現(xiàn)是心血管影像模式的轉(zhuǎn)變，是心血管醫(yī)療預(yù)防保健的重大進(jìn)步。

2．預(yù)測心肌缺血和血運(yùn)重建：

臨床醫(yī)師面臨的首要問題是選擇正確的治療方案。機(jī)器學(xué)習(xí)可以整合臨床數(shù)據(jù)和圖像定量特征，用于預(yù)測冠心病患者的早期血運(yùn)重建。Arsanjani等［25］納入行單光子發(fā)射CT（single-photon emission computed tomography，SPECT）心肌灌注掃描后90 d內(nèi)行有創(chuàng)冠狀動脈造影的713例患者，機(jī)器學(xué)習(xí)算法（LogitBoost）可以將得到的幾種圖像特征和臨床參數(shù)（包括患者性別、高血壓和糖尿病病史、基線心電圖的ST段改變、負(fù)荷運(yùn)動時后的心電圖改變和臨床表現(xiàn)）相結(jié)合來預(yù)測血運(yùn)重建。結(jié)果顯示，機(jī)器學(xué)習(xí)預(yù)測血運(yùn)重建的能力與其中一位臨床醫(yī)師的診斷效能相似，而高于另一位臨床醫(yī)師的診斷（曲線下面積分別為0.81、0.81、0.72）。因此，機(jī)器學(xué)習(xí)方法在預(yù)測心肌灌注后的早期血運(yùn)重建與經(jīng)驗豐富的專家相媲美或更好。

機(jī)器學(xué)習(xí)也可聯(lián)合CCTA的定量參數(shù)來提高預(yù)測心肌缺血的準(zhǔn)確度。Dey等［26］研究利用機(jī)器學(xué)習(xí)從CCTA圖像中所得到的定量斑塊參數(shù)的危險評分預(yù)測病灶的特異度缺血。該研究納入254例患者均行有創(chuàng)的血流儲備分?jǐn)?shù)（fraction flow reserve，F(xiàn)FR）檢查和CCTA檢查，以有創(chuàng)FFR診斷特異度缺血為金標(biāo)準(zhǔn)，集成的機(jī)器學(xué)習(xí)算法包括運(yùn)用增強(qiáng)的整體算法以及十倍的分層交叉驗證從定量的CCTA檢查中自動特性選擇和模型構(gòu)建。結(jié)果顯示，機(jī)器學(xué)習(xí)預(yù)測病灶缺血的診斷效能優(yōu)于狹窄程度、低密度非鈣化斑塊體積、斑塊總體積以及驗前概率（曲線下面積分別為0.84、0.76、0.77、0.74、0.63）。這些數(shù)據(jù)初步表明，結(jié)合定量狹窄指標(biāo)和斑塊特征的客觀風(fēng)險評分可以提高CCTA預(yù)測心肌缺血的能力，減少不必要的有創(chuàng)檢查。

3．進(jìn)行冠心病風(fēng)險評估，預(yù)測患者結(jié)局：

機(jī)器學(xué)習(xí)不需要對影響預(yù)后的因素進(jìn)行預(yù)先假設(shè)，也不會忽略預(yù)后因素較弱的變量，有潛力聯(lián)合許多變量建立最優(yōu)化的風(fēng)險預(yù)測模型。van Rosendael等［27］納入CONFIRM研究中的8 848例可疑冠心病患者，旨在研究機(jī)器學(xué)習(xí)評分（包含CCTA所得到的16節(jié)段冠狀動脈樹參數(shù)以及XGBoost算法）是否可以提高預(yù)測惡性心臟事件發(fā)生的能力。結(jié)果顯示，與現(xiàn)有的CCTA危險評分相比，機(jī)器學(xué)習(xí)的預(yù)測模型準(zhǔn)確度更高（曲線下面積分別為0.771和0.701）。另一方面，臨床醫(yī)師在作出治療決策時不僅僅依靠影像信息，還要考慮患者的年齡、病史以及其他臨床檢查結(jié)果。機(jī)器學(xué)習(xí)可以聯(lián)合患者的臨床信息與圖像的定量信息，得到預(yù)后評分系統(tǒng)，來預(yù)測疾病或患者的結(jié)局。這些對臨床醫(yī)師很有價值，因為根據(jù)定量參數(shù)評分而非主觀風(fēng)險評估，可以促進(jìn)各種治療方法的優(yōu)化選擇。最近的一項研究表明［28］，通過將CCTA獲得的圖像信息與臨床信息相結(jié)合的機(jī)器學(xué)習(xí)算法可以準(zhǔn)確地預(yù)測冠心病患者的全因病死率的結(jié)果。這是一項大型、前瞻性、多中心的研究，用于評價機(jī)器學(xué)習(xí)預(yù)測患者5年全因病死率的可行性和準(zhǔn)確度，并與現(xiàn)行的臨床或影像度量指標(biāo)進(jìn)行比較。研究納入10 030例疑似冠心病患者并經(jīng)過5年隨訪證實，所有患者均接受CCTA作為其常規(guī)檢查，并對25個臨床和44個CCTA參數(shù)進(jìn)行評估，包括節(jié)段狹窄評分、節(jié)段累及評分、改良Duke指數(shù)、非鈣化斑塊、混合斑塊和鈣化斑塊的節(jié)段、患者年齡、性別、標(biāo)準(zhǔn)心血管危險因素和Framingham風(fēng)險評分（Framingham risk score，F(xiàn)RS）等。機(jī)器學(xué)習(xí)通過信息增益排名自動進(jìn)行特征選擇，并通過增強(qiáng)的集成算法建立模型以及十倍分層交叉驗證。與FRS或CCTA評分（節(jié)段狹窄評分、節(jié)段累及評分、改良Duke指數(shù)）相比，機(jī)器學(xué)習(xí)用于預(yù)測全因病死率的效能更好（曲線下面積分別為0.61、0.64、0.64、0.62、0.79）。通過比較凈再分類改進(jìn)指標(biāo)，機(jī)器學(xué)習(xí)可以更恰當(dāng)?shù)貐^(qū)分風(fēng)險類別，5年病死率的風(fēng)險評估明顯優(yōu)于現(xiàn)有的臨床或CCTA的單獨度量。Betancur等［29］證實結(jié)合心肌灌注圖像的各種參數(shù)和臨床信息的機(jī)器學(xué)習(xí)模型在預(yù)測3年惡性心血管事件的準(zhǔn)確度優(yōu)于目前自動灌注圖像評估方法。因此，機(jī)器學(xué)習(xí)在評估心血管疾病的預(yù)后風(fēng)險方面具有重要的價值。

機(jī)器學(xué)習(xí)的挑戰(zhàn)和不足

1．主要限制：

盡管機(jī)器學(xué)習(xí)在心血管影像中顯示出了巨大的潛能，但仍然存在一些不足，影響其在臨床中的廣泛應(yīng)用。第一個問題是數(shù)據(jù)集的數(shù)量和質(zhì)量。在心血管影像領(lǐng)域，許多研究都是使用相對較小的數(shù)據(jù)集進(jìn)行的，而機(jī)器學(xué)習(xí)若基于較小數(shù)據(jù)集所建立的模型并不能很好的推廣應(yīng)用。例如，卷積神經(jīng)網(wǎng)絡(luò)使用多參數(shù)的多層方法進(jìn)行圖像分析，需要大量的數(shù)據(jù)才能做出準(zhǔn)確的預(yù)測。使用不同的圖像采集技術(shù)對算法進(jìn)行精確的訓(xùn)練，也會增加所需的病例數(shù)。例如，罕見的心血管疾病，由于缺乏足夠的影像學(xué)資料，機(jī)器學(xué)習(xí)法應(yīng)用可能受到限制。第二個問題是機(jī)器學(xué)習(xí)和心血管影像學(xué)各自的復(fù)雜性。有些機(jī)器學(xué)習(xí)的方法過于復(fù)雜，例如有關(guān)深度學(xué)習(xí)的新算法，需對解決的問題建立嚴(yán)格的假設(shè)并生成許多變量，結(jié)果解讀困難，使其難以直接應(yīng)用于影像學(xué)問題。從心血管醫(yī)療的角度來看，也存在著疑難復(fù)雜的問題，例如先天性心臟病種類繁多復(fù)雜，影像表現(xiàn)多樣，目前沒有已知的機(jī)器學(xué)習(xí)方法可以解決這些問題。第三個問題是醫(yī)師的抵抗性。機(jī)器學(xué)習(xí)這種高級圖像分析和解讀工具的出現(xiàn)可能會引起醫(yī)學(xué)界對其工作的恐懼，害怕某種程度上取代他們的工作。然而，醫(yī)師應(yīng)該以積極的態(tài)度看待這些發(fā)展，因為機(jī)器學(xué)習(xí)可以實現(xiàn)更優(yōu)化、更個性化診斷評估患者，有助于實踐精準(zhǔn)醫(yī)學(xué)原則［30，31］。

2．模型的欠擬合或過擬合：

3．外部驗證：

如果患者或圖像特征發(fā)生變化，由特定的研究機(jī)構(gòu)或特定類型的設(shè)備所進(jìn)行圖像和臨床數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)模型診斷效能會下降。因此，機(jī)器學(xué)習(xí)應(yīng)該在涵蓋廣泛人群特征和多種檢查設(shè)備的多中心研究中開發(fā)和驗證。另外，需要對訓(xùn)練集以外的數(shù)據(jù)進(jìn)行正式驗證。然而，由于目前全國的數(shù)據(jù)共享存在障礙，這實施起來可能會很困難。此外，在即使在同一醫(yī)療中心，心血管疾病患者的特征和發(fā)病模式也可能隨時間發(fā)生變化，因此機(jī)器學(xué)習(xí)模型可能需要逐步適應(yīng)這種改變。

機(jī)器學(xué)習(xí)未來的研究方向

未來，心血管影像數(shù)據(jù)將更容易與電子病歷和其他大數(shù)據(jù)集中的非影像數(shù)據(jù)聯(lián)系起來。一方面，機(jī)器學(xué)習(xí)能從這些大數(shù)據(jù)集中提取知識，包括社會人口學(xué)、影像、臨床、實驗室檢查以及遺傳學(xué)信息，用于個體化臨床決策的制定和結(jié)局的預(yù)測分析，這可以為精準(zhǔn)醫(yī)療鋪平道路［33］。不同的機(jī)器學(xué)習(xí)的算法可以揭示心血管醫(yī)學(xué)大數(shù)據(jù)中的隱藏模式，有助于理解特定患者群體中微妙的個體風(fēng)險因素、行為驅(qū)動因素，目標(biāo)是實現(xiàn)精確診斷、風(fēng)險分層和個性化治療。另一方面，機(jī)器學(xué)習(xí)算法在前瞻性臨床試驗中的應(yīng)用，將使其能夠與當(dāng)前的醫(yī)療實踐標(biāo)準(zhǔn)進(jìn)行比較，可能帶來新的治療方式，并有助于改善個體化心血管醫(yī)療。機(jī)器學(xué)習(xí)在可預(yù)見的未來不會取代醫(yī)師的工作，相反，我們相信人工智能特別是機(jī)器學(xué)習(xí)可以擴(kuò)大和擴(kuò)展目前的心血管醫(yī)療服務(wù)實踐，提高醫(yī)師的工作效率，并提高患者的醫(yī)療護(hù)理和滿意度。

總之，機(jī)器學(xué)習(xí)方法已廣泛應(yīng)用于心血管影像領(lǐng)域，成為許多圖像采集和處理算法的核心技術(shù)。機(jī)器學(xué)習(xí)可以整合臨床及影像數(shù)據(jù)，優(yōu)化臨床工作流程，提高心血管疾病的診斷治療、危險分層和結(jié)局預(yù)測。隨著機(jī)器學(xué)習(xí)應(yīng)用范圍的不斷擴(kuò)大，以及對其能力以及不足的深入了解，將有潛力促使心血管疾病診療的快速進(jìn)步