基于人工智能的冠狀動脈腔內(nèi)影像斑塊識別與臨床應(yīng)用研究進展完整版隨著人口老齡化的不斷增加，冠心病發(fā)病率逐漸上升，對疾病的精確診斷、精準(zhǔn)治療及預(yù)后判斷愈發(fā)重要。冠心病的影像學(xué)檢查手段不斷更新迭代，以血管內(nèi)超聲（intravascularultrasound，IVUS）、光學(xué)相干斷層成像（opticalcoherencetomography，OCT）為主的腔內(nèi)影像技術(shù)使冠心病的診療更加精準(zhǔn)。冠狀動脈腔內(nèi)影像在提供多模態(tài)高清圖像的同時也帶來了海量數(shù)據(jù)，圖像判讀耗時耗力，且依賴判讀者的主觀經(jīng)驗，因此，迫切需要一種高效、準(zhǔn)確的方法來輔助臨床診療。人工智能能夠快速、準(zhǔn)確和客觀地進行圖像處理，逐漸在心血管病領(lǐng)域顯示出強大的應(yīng)用潛力。本文結(jié)合最新研究結(jié)果，對人工智能在冠狀動脈腔內(nèi)影像中的應(yīng)用作一綜述。一、冠狀動脈腔內(nèi)影像概述IVUS利用超聲波成像可對血管壁進行全層分析，OCT通過近紅外光干涉成像技術(shù)對管壁組織成分進行高分辨率成像，可以很好地顯示血管橫截面圖像，準(zhǔn)確識別斑塊形態(tài)、斑塊性質(zhì)和管腔尺寸等。此外，近紅外光譜成像（near-infraredspectroscopy，NIRS）、近紅外熒光成像、光聲成像技術(shù)分別利用近紅外光光譜、近紅外光激發(fā)熒光探針、組織吸收光能后產(chǎn)生的光聲信號實現(xiàn)成像，可以顯示冠狀動脈斑塊、炎癥等信息。近年來，多模態(tài)集成成像導(dǎo)管（如OCT/IVUS、OCT/NIRS、NIRS/IVUS等）的發(fā)展為冠心病的精準(zhǔn)治療提供了更多可能。除了指導(dǎo)精準(zhǔn)經(jīng)皮冠狀動脈介入治療（percutaneouscoronaryintervention，PCI），冠狀動脈腔內(nèi)影像顯示的斑塊特征對患者的臨床預(yù)后有一定的預(yù)測價值。如IVUS管腔內(nèi)超聲積分背向散射值可預(yù)測心肌缺血，OCT定義的薄纖維帽粥樣斑塊（thin-capfibroatheroma，TCFA）和巨噬細胞浸潤，以及NIRS測定的脂質(zhì)斑塊特征，完善了主要不良心血管事件（majoradversecardiovascularevents，MACE）的風(fēng)險判定

［

1

］二、人工智能原理及在醫(yī)學(xué)圖像中的應(yīng)用進展人工智能是研究、開發(fā)用于模擬、延伸和擴展人類智能的一門新興技術(shù)科學(xué)。其中，機器學(xué)習(xí)是人工智能算法的重要分支，深度學(xué)習(xí)是機器學(xué)習(xí)的一種特殊形式。機器學(xué)習(xí)就是機器通過分析大量數(shù)據(jù)學(xué)習(xí)其中規(guī)律，并利用規(guī)律構(gòu)建模型來處理新數(shù)據(jù)并做出預(yù)測。按照學(xué)習(xí)形式，機器學(xué)習(xí)可分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)需預(yù)先設(shè)定目標(biāo)并對訓(xùn)練集進行標(biāo)記，從而推斷結(jié)果，更側(cè)重于對結(jié)果的預(yù)測。常見算法包括隨機森林、決策樹、支持向量機等。無監(jiān)督學(xué)習(xí)則是無明確目標(biāo)，根據(jù)無標(biāo)記的訓(xùn)練集，通過算法尋找數(shù)據(jù)中的隱藏關(guān)系，更側(cè)重于發(fā)現(xiàn)數(shù)據(jù)變量的相互關(guān)系，包括聚類算法、降維算法、主成分分析等。經(jīng)典的機器學(xué)習(xí)方法已被應(yīng)用于疾病診斷或預(yù)后評估，另外，心血管疾病的精確分型是無監(jiān)督學(xué)習(xí)的應(yīng)用前景之一。深度學(xué)習(xí)是機器學(xué)習(xí)的主要分支之一，目前流行的深度學(xué)習(xí)方法核心都是人工神經(jīng)網(wǎng)絡(luò)，來源于人腦仿生學(xué)，即通過編織一張大的神經(jīng)網(wǎng)絡(luò)，調(diào)整每個神經(jīng)元的敏感程度，來接受、分析“數(shù)據(jù)刺激”，最終輸出結(jié)果。與傳統(tǒng)人工智能不同，深度學(xué)習(xí)不需要所謂的“特征工程”（計算和提取“定制”的成像變量），無須對變量進行篩選，而是增加多個隱藏層。將所需識別的圖像分為多個像素點，模擬神經(jīng)元，成為第1個隱藏層，隨后作為第2個隱藏層的輸入層，從而獲得更加詳細的圖像內(nèi)容，如此迭代多次，直接分析圖像進行圖像分割或結(jié)果預(yù)測，在擬合過程中忽略次要變量，避免可能的信息損失。深度學(xué)習(xí)特別適用于具有許多特征的大型復(fù)雜數(shù)據(jù)集，例如基因組學(xué)和影像數(shù)據(jù)。深度學(xué)習(xí)不僅可以識別病變，還可以用于增強圖像質(zhì)量，例如降噪、超分辨率或不同成像模態(tài)的合并，參與簡化診斷工作流程、優(yōu)化關(guān)鍵生物標(biāo)志物的量化方法等任務(wù)。近年來，人工智能算法得到了不斷的優(yōu)化和發(fā)展。在圖像識別和處理方面，卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetwork，CNN）引入殘差網(wǎng)絡(luò)、密集連接網(wǎng)絡(luò)等架構(gòu)，提高了模型的深度、訓(xùn)練穩(wěn)定性和效率。生成對抗網(wǎng)絡(luò)模型通過引入條件生成對抗網(wǎng)絡(luò)和循環(huán)生成對抗網(wǎng)絡(luò)，進一步提高了生成圖像的質(zhì)量和過程可控性。集成模型也是當(dāng)前研究熱點，通過集成多個模型可以更加高效處理高維數(shù)據(jù)和復(fù)雜問題，提高了預(yù)測性能和模型穩(wěn)定性。各類算法的更新迭代，為諸多臨床問題的解決提供了有力工具。冠狀動脈腔內(nèi)影像的判讀需要人工智能這樣客觀、準(zhǔn)確、高效的“圖像判官”來輔助醫(yī)師。人工智能可以提高圖像質(zhì)量，加快圖像處理和分析速度，在一定程度上克服了人眼視覺的局限性，較為準(zhǔn)確地分割、識別組織成分，減少冠狀動脈腔內(nèi)影像使用的時間成本，優(yōu)化工作流程，降低技術(shù)應(yīng)用門檻，提高腔內(nèi)影像的普及率。另外，人工智能可以更加快速、全面地整合醫(yī)學(xué)影像及病歷數(shù)據(jù)，甚至可以結(jié)合基因組學(xué)，提供更全面的疾病理解，分析患者近遠期臨床預(yù)后，輔助做出醫(yī)生臨床決策，為患者提供個性化治療方案。三、人工智能在冠狀動脈腔內(nèi)影像中的應(yīng)用進展目前研究表明，人工智能在冠狀動脈腔內(nèi)影像的圖像采集、斑塊識別與風(fēng)險分層、治療評價與優(yōu)化、預(yù)后預(yù)測方面都顯示出較大的應(yīng)用潛能。1.圖像采集：冠狀動脈血管邊界的檢測對冠心病診斷至關(guān)重要，IVUS可清晰地顯示血管邊界，但由于冠狀動脈管腔尺寸隨心臟收縮和舒張發(fā)生變化，常導(dǎo)致縱向視圖中有鋸齒狀管腔輪廓，影響術(shù)者讀取冠狀動脈管腔的關(guān)鍵參數(shù)。深度學(xué)習(xí)模型可以通過識別心動周期檢測舒張末期幀，減少心動周期對血管尺寸的影響，從而增強了IVUS

［2］

、NIRS-IVUS

［3］

圖像結(jié)果分析的可重復(fù)性。另外，深度學(xué)習(xí)算法可通過IVUS圖像前一幀的重建采取最佳自適應(yīng)采集策略，以保持相鄰幀之間信息互補，從而有效提升IVUS的成像速度和質(zhì)量

［4］

，提供更加細化的血管邊界信息

［5］

。深度學(xué)習(xí)算法還可以通過優(yōu)化IVUS圖像中心臟相位恢復(fù)和膜邊界提取，重建可靠的冠狀動脈3D解剖結(jié)構(gòu)，從而對血管特征進行定量分析

［6］

。人工智能算法能夠為術(shù)者提供高清晰度的IVUS影像和穩(wěn)定的定量分析數(shù)據(jù)，輔助術(shù)者制定更加精準(zhǔn)的個性化手術(shù)方案。OCT具有高分辨率，可以描繪斑塊結(jié)構(gòu)及特征，但高分辨率會影響掃描速度。Li等

［7］

基于深度學(xué)習(xí)算法提出光譜-空間采集方法，通過縮小采樣過程中的光譜和空間域，提高了圖像采集速度，并通過多尺度光譜空間放大網(wǎng)絡(luò)獲得高質(zhì)量的圖像重建，在保證高速成像的同時提升了圖像質(zhì)量。OCT同IVUS一樣，管腔分割也是圖像分析的關(guān)鍵一環(huán)，有研究表明線性CNN模型能夠以40.6ms/幀的速度實現(xiàn)OCT圖像中血管分割，達到平均22μm的定位精度

［8］

，大幅提升了圖像處理速度和分析精度，這種迅速且精準(zhǔn)的分割技術(shù)將有助于縮短手術(shù)時長，具有極大的臨床應(yīng)用潛力。2.斑塊識別與風(fēng)險分層：冠狀動脈管壁粥樣硬化斑塊是動脈狹窄和心血管不良事件的始動因素，斑塊類別影響術(shù)者決策與患者預(yù)后，對斑塊性質(zhì)的準(zhǔn)確評估對于冠心病治療至關(guān)重要。近年來，利用人工智能算法自動識別冠狀動脈OCT圖像中不同類型斑塊，準(zhǔn)確率能達到70%以上（表1）

［9,10,11,12,13,14］

，已達到甚至超過初學(xué)者水平。此外，a-line分類對脂質(zhì)斑塊的識別準(zhǔn)確度可達89.6%

［15］

，輔以像素點衰減系數(shù)可大幅提高斑塊檢測和識別的準(zhǔn)確性

［16］

。人工智能算法賦能的OCT掃描軟件OctPlus可對膽固醇結(jié)晶、纖維組織、鈣化、脂質(zhì)和巨噬細胞含量這5個斑塊特征進行分析，具有良好的組織特征再現(xiàn)性

［17］

。雅培公司的人工智能冠狀動脈成像平臺Ultreon2.0，可實現(xiàn)鈣化斑塊的自動化精準(zhǔn)識別和定量分析，減小了在支架著陸點、長度選擇和OCT圖像評估方面的術(shù)者間差異。除了對斑塊性質(zhì)的識別，基于Transformer的深度學(xué)習(xí)算法識別斑塊侵蝕的曲線下面積可達0.94，外部驗證集為0.85，高于CNN模型的診斷性能

［18］

。除了OCT，深度學(xué)習(xí)模型還可準(zhǔn)確區(qū)分IVUS圖像中鈣化、衰減和無衰減或鈣化三類情況，與專家讀圖相關(guān)系數(shù)分別為0.79、0.74和0.99

［19］

。在組織成分識別中，成像類別也會影響人工智能模型的效能。NIRS可彌補IVUS在評估組織類型方面的局限性，基于機器學(xué)習(xí)算法的J48分類器結(jié)合IVUS和NIRS信號后，對于壞死核心的檢測準(zhǔn)確性從81.4%提高到了91.8%

［20］

。人工智能算法對組織成分的準(zhǔn)確識別得到了組織病理學(xué)的驗證。DeepAD算法分割OCT圖像中動脈粥樣硬化病變，組織學(xué)驗證的交并比為0.68±0.18

［21］

。另外，基于虛擬組織學(xué)OCT的人工智能算法識別纖維、脂質(zhì)、鈣化組織，靈敏度和特異度均達到80%以上，該算法可實現(xiàn)纖維帽厚度自動測量，區(qū)分薄帽纖維粥樣斑塊與厚帽纖維粥樣斑塊的準(zhǔn)確率可達99%

［22］

。人工智能在冠狀動脈腔內(nèi)影像與生理學(xué)的綜合評估方面也顯示出巨大的潛力。基于IVUS和OCT的血流儲備分數(shù)（fractionalflowreserve，F(xiàn)FR），以FFR為金標(biāo)準(zhǔn)，其準(zhǔn)確性分別為93%和92%

［23］

；機器學(xué)習(xí)算法測算的基于IVUS和OCT的FFR，在預(yù)測中度冠狀動脈狹窄是否需要血運重建方面準(zhǔn)確率分別可達82%

［24］

和95.2%

［25］

。Hatfaludi等

［26］

將OCT和冠狀動脈造影圖像共同配準(zhǔn)輸入深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測FFR，精確度可達84.3%。這不僅增加了人工智能在腔內(nèi)影像中應(yīng)用的廣度，而且為后續(xù)發(fā)展多模態(tài)人工智能模型夯實了基礎(chǔ)。斑塊穩(wěn)定性是影響患者預(yù)后的重要因素，決定斑塊穩(wěn)定性的因素包括斑塊負荷、纖維帽的形態(tài)（完整度和厚度）、斑塊內(nèi)微結(jié)構(gòu)（如巨噬細胞、微通道、點狀鈣化、膽固醇結(jié)晶）以及炎癥反應(yīng)等。人工智能能夠整合來自不同成像模式的斑塊特征元素，實現(xiàn)精準(zhǔn)的心血管風(fēng)險分層。人工智能測算的基于OCT的FFR以及脂帽比，兩者聯(lián)合應(yīng)用可以識別出發(fā)生MACE的高風(fēng)險患者：對于急性冠脈綜合征患者，當(dāng)脂帽比>0.33且基于OCT的FFR≤0.84時，非罪犯血管發(fā)生MACE的風(fēng)險為2項指標(biāo)中至少1項正常者的43倍

［27］

。盡管IVUS對組織特征的識別不如OCT，機器學(xué)習(xí)模型可以從IVUS中提取到易損斑塊形態(tài)特征，用于預(yù)測斑塊易損性指標(biāo)的變化情況

［28］

，并可通過IVUS圖像預(yù)測TCFA

［29］

，以O(shè)CT為金標(biāo)準(zhǔn)，靈敏度達（85±4）%、特異度達（79±6）%，從而有助于臨床醫(yī)師識別高風(fēng)險冠脈病變。在心血管成像領(lǐng)域，人工智能算法可以提取新的影像生物標(biāo)志物，并整合多源數(shù)據(jù)進行心血管風(fēng)險分層。如通過隨機森林算法識別出冠狀動脈CT血管成像血管周圍脂肪組織影像組學(xué)特征，這一成像生物標(biāo)志物可提升MACE的預(yù)測效能

［30］

。在人工智能輔助下，隨著越來越多腔內(nèi)影像生物標(biāo)志物被挖掘，以及生物標(biāo)志物之間關(guān)系被明晰，基于人工智能的風(fēng)險量化的準(zhǔn)確性和可解釋性有望進一步提升。3.治療評價與優(yōu)化：支架擴張不足易導(dǎo)致支架內(nèi)再狹窄，支架擴張過大會增加血管破裂風(fēng)險。腔內(nèi)影像可以準(zhǔn)確評估PCI術(shù)中支架釋放后的情況，但對回撤圖像進行分析十分耗時，因而實現(xiàn)對支架擴張和貼壁程度的自動量化評估有助于優(yōu)化PCI治療流程。機器學(xué)習(xí)算法可以高效分割I(lǐng)VUS圖像中支架和管腔，面積計算的準(zhǔn)確性與專家相當(dāng)

［31］

。在OCT圖像中，基于CNN的深度學(xué)習(xí)模型顯示出優(yōu)異的支架分割效果（Dice系數(shù)0.97）和檢測準(zhǔn)確性（0.943），并且可以0.02s的速度對每幀圖像進行實時支架定量和3D渲染，從而快速評估支架擴張效果

［32］

。人工智能優(yōu)異的實時處理能力和快速反饋能力，將有助于優(yōu)化手術(shù)決策。除了對支架的自動化檢測，以CNN為核心的深度學(xué)習(xí)算法可以利用術(shù)前IVUS圖像及臨床信息（包括支架直徑、長度、充氣壓力、球囊直徑和最大球囊壓力）預(yù)測術(shù)后支架面積，與術(shù)后實際的支架面積顯著相關(guān)（

r=0.832），通過基于機器學(xué)習(xí)算法的二元分類模型預(yù)測支架擴張不足，準(zhǔn)確率可達94%

［33］

。此外，基于OCT圖像特征與臨床信息建立的機器學(xué)習(xí)模型可以預(yù)測支架貼壁不良的發(fā)生

［34］

。對于冠狀動脈重度鈣化病變，基于殘差網(wǎng)絡(luò)的深度學(xué)習(xí)模型可利用鈣化斑塊旋磨術(shù)前IVUS圖像自動預(yù)測旋磨減容區(qū)域

［35］

。人工智能技術(shù)能夠高效識別術(shù)中關(guān)鍵問題，綜合分析術(shù)前圖像和臨床信息，提供個性化手術(shù)指導(dǎo)，從而改善患者預(yù)后。4.預(yù)后預(yù)測：預(yù)后預(yù)測是診療過程中的重要環(huán)節(jié)，圖像數(shù)據(jù)和臨床基線參數(shù)之間的相關(guān)性分析為臨床短期和長期預(yù)后預(yù)測提供了寶貴信息，人工智能在醫(yī)學(xué)領(lǐng)域的運用很大程度上克服了傳統(tǒng)診療手段預(yù)警不夠準(zhǔn)確、個體化治療難以實現(xiàn)等局限性。Zhang等

［36］

將IVUS虛擬組織學(xué)與支持向量機分類器結(jié)合，對接受他汀類藥物治療的穩(wěn)定性心絞痛患者進行1年隨訪，利用局部血管特征和臨床基線數(shù)據(jù)成功預(yù)測了冠狀動脈高危斑塊的發(fā)生。Johnson等

［37］

的研究顯示，可利用基因表達數(shù)據(jù)來預(yù)測OCT圖像纖維帽厚度變化，確定了具有預(yù)測價值的轉(zhuǎn)錄組學(xué)生物標(biāo)志物。另有研究通過4種機器學(xué)習(xí)模型對同時納入的CT血管成像和OCT圖像斑塊特征進行分析，得出高脂質(zhì)沉積和低鈣化負荷是冠狀動脈正性重構(gòu)的重要特征，且正性重構(gòu)的斑塊數(shù)量與較高的MACE發(fā)生率相關(guān)

［38］

。支架擴張不足與支架內(nèi)再狹窄風(fēng)險增加相關(guān)，已有研究證明IVUS測定的術(shù)后最小支架面積、支架長度是支架內(nèi)再狹窄的獨立預(yù)測因素。深度學(xué)習(xí)模型可通過測定IVUS圖像數(shù)據(jù)來預(yù)測1年后高風(fēng)險斑塊在非罪犯血管內(nèi)的位置、TCFA、斑塊負荷>70%以及管腔面積<4mm

2［36］

。心臟移植血管病變是心臟移植術(shù)后累及冠狀動脈的排斥反應(yīng)性疾病，是導(dǎo)致患者術(shù)后死亡的主要原因，IVUS相關(guān)參數(shù)（如基線最大內(nèi)膜厚度、內(nèi)膜厚度變化）可預(yù)測心臟移植后的不良事件。Moayedi等

［39］

使用潛在類別混合效應(yīng)模型分析IVUS圖像，結(jié)果顯示最大內(nèi)膜厚度聯(lián)合基線臨床危險因素可識別心臟移植血管病變?nèi)巳?。盡管人工智能在預(yù)測患者預(yù)后方面顯示出巨大潛力，但仍需要大型數(shù)據(jù)集來涵蓋各種混雜因素，如生活方式、年齡和遺傳特征等來提升預(yù)測準(zhǔn)確性。同時需克服研究者利用專有數(shù)據(jù)集訓(xùn)練和測試算法的弊端，從而客觀比較各類算法的優(yōu)劣。心臟作為典型的動態(tài)器官，圖像獲取和分析極具挑戰(zhàn)，目前公開的可訪問的訓(xùn)練圖像數(shù)據(jù)集為心血管疾病人工智能算法的研究提供了重要支持。與基因組學(xué)、蛋白質(zhì)組學(xué)和其他組學(xué)技術(shù)結(jié)合，人工智能可利用多維數(shù)據(jù)預(yù)測心血管事件，甚至可根據(jù)個體對治療的反應(yīng)確定新的治療靶點，改善患者預(yù)后。人工智能處理腔內(nèi)影像數(shù)據(jù)的能力在眾多研究中已得到充分認可，不僅能協(xié)助醫(yī)師高效分析圖像，還有助于統(tǒng)一圖像評判標(biāo)準(zhǔn)，減少圖像判讀過程中由醫(yī)師主觀性及臨床經(jīng)驗差異帶來的影響。借助人工智能將不同腔內(nèi)影像技術(shù)進行空間配準(zhǔn)與特征匹配，建立映射關(guān)系，實現(xiàn)多模態(tài)信息的互補利用是目前研究熱點，例如條件生成