心血管疾病是全球范围内威胁人类健康的重大疾病之一。心血管影像学在心血管疾病的诊断中发挥着关键作用，而人工智能（AI）技术的兴起为心血管影像学带来了新的发展机遇。AI凭借强大的数据处理和模式识别能力，能够对心血管影像进行快速、精准的分析，为临床医生提供更有价值的诊断信息，有望改变传统心血管疾病的诊断模式，提升整体诊疗水平。基于此，康迅网邀请到中国医学科学院阜外医院赵世华教授，就相关内容进行分享。
专家简介
中国医学科学院阜外医院 赵世华教授
博士生导师、一级主任医师，北京协和医学院长聘教授、教学名师，现任中华医学会心血管病学分会常委和影像学组组长。
代表性研究成果（通信作者）发表在国际医学综合顶级期刊Nature Medicine，国际心血管领域顶级期刊Circulation、European Heart Journal和影像学顶级期刊Radiology等。
“十四五”国家重点研发计划重点专项现任首席科学家，连续四次主持国家自然科学基金重点项目。作为第一完成人先后获国家和省部级成果奖9项，包括国家科技进步奖二等奖、教育部科技进步奖一等奖（2项）、华夏医学科技奖一等奖、2022年北京医学科技奖特等奖等。
AI在心血管影像学中的研究实例
1.AI自动评估超声心动图指标
在心血管疾病的诊断中，超声心动图是常用的检查手段，其中左心室射血分数和平均纵向应变是评估心脏功能的重要指标。一项多中心研究收集了来自4个中心的255例患者，利用机器学习软件对超声心动图进行分析，实现了对左心室射血分数和平均纵向应变的全自动、快速及可重复性评估。该自动测量方法平均耗时仅（8±1）秒，且在98%的患者中可行。相比传统的视觉估计和手动追踪（双平面Simpson方法），AI自动评估不仅提高了测量效率，还减少了人为因素导致的误差，为临床快速准确评估心脏功能提供了有力支持。
2.AI赋能心血管磁共振（CMR）
（1）非增强CMR序列评价心肌梗死
心肌梗死的准确诊断对于治疗方案的选择和患者预后至关重要。研究纳入120例心肌梗死患者和60例正常人，借助影像组学软件MaZda，在CMR电影序列上进行特征选择分析，通过降维和纹理特征选择来判断心肌梗死情况，并与延迟强化序列进行对照。结果显示，Teta1和Perc.01的模型在非增强磁共振成像电影图像上诊断心肌梗死具有较高准确性。这一研究表明，利用AI对非增强CMR序列进行分析，可在不使用对比剂的情况下有效诊断心肌梗死，为临床提供了一种更便捷、经济且安全的诊断方法。
（2）CMR深度学习诊断心脏疾病
通过多中心收集常见的11种心血管疾病患者及正常人的CMR数据，利用transformer模型对电影扫描和LGE图像进行分析，实现了心脏疾病的自主诊断。研究结果显示，该AI模型在多种心血管疾病诊断中表现出色，其F1评分和准确性与不同经验水平的医生相比具有优势。例如，在肥厚型心肌病（HCM）诊断中，AI模型的F1评分为0.971，而3~5年、5~10年和＞10年经验的医生的F1分数分别为0.957、0.938和0.962。此外，利用可视化标记显示，有助于医生更直观地理解病变的部位。如致心律失常性右室心肌病、肺动脉高压和埃布斯坦畸形主要累及右心室，而其余多数疾病主要累及左心室。
3.AI赋能冠脉CT血管造影（CCTA）
在冠状动脉疾病的诊断中，判断冠状动脉的功能性狭窄对于制定治疗方案至关重要。研究纳入166例患者，首先对CCTA图像中的左心室心肌进行整体分割，再将左室心肌分成多个具有空间连接关系的簇，利用无监督自动编码统计数据提取每簇心肌的特征，最后使用SVM分类器对心肌进行分类，以判断患者是否存在冠状动脉功能性狭窄。结果表明，AI在未观察冠状动脉解剖结构的情况下，仅通过静息CCTA图像中心肌的自动分析就能判断冠状动脉的功能性狭窄，有望减少不必要的侵入性血流储备分数检查，为冠心病的诊断提供了一种无创、高效的新途径。
4.AI优化心血管疾病预警模型
机器学习在心血管疾病预警方面展现出强大的潜力。一项针对10 030例疑似冠状动脉疾病患者的研究，收集了患者5年的随访记录，并评估了25个临床和44个CCTA参数。通过信息增益排名的自动特征选择方法、集成算法框架的模型构建算法以及10折分层交叉验证，建立了机器学习模型。与传统的弗雷明汉风险评分或CCTA严重性评分相比，该机器学习模型在预测全因死亡率方面表现更优，其曲线下面积达到0.79，而FRS的AUC仅为0.61。这表明AI能够整合多方面的信息，更准确地预测心血管疾病的发生风险，为心血管疾病的早期预防和干预提供了重要依据。
医学AI发展阶段
1.特征工程（机器学习）阶段
特征工程阶段是AI在医学领域应用的基础阶段。机器学习通过让计算机从大量数据中学习规律，利用特征工程方法提取特征，并结合已有的危险因子进行建模。在心血管疾病诊疗中，常用的方法包括影像组学（如二阶矩）、回归模型等。该阶段的优点是能够处理各种类型的数据，临床解释性较好，应用范围广泛。例如，在预测肥厚型心肌病心血管事件的研究中，利用机器学习方法结合传统和新型CMR特征、临床症状、心电图结果等多方面数据，构建的非线性模型取得了比国际通用的HCMrisk模型更好的预测效果。然而，该阶段需要人为输入数据，在一定程度上依赖于人工经验和专业知识。
2.深度学习阶段
深度学习通过神经网络模型，如卷积神经网络和循环神经网络，模拟人脑处理非结构化数据的方式，在医学影像分析中得到了广泛应用。在心血管影像学领域，深度学习可以直接对图像、心电图、文本报告等非结构化数据进行建模，无需进行复杂的特征工程，还能够挖掘图像中被忽视的信息。但深度学习模型的可解释性较差，往往针对单一任务和模态，无法实现知识共享。例如，在CMR深度学习诊断心脏疾病的研究中，利用transformer模型对心脏疾病进行诊断，虽然取得了较高的诊断准确率，但模型内部的决策过程难以直观解释，这在一定程度上限制了其在临床中的广泛应用和信任度。
3.基础模型（大语言模型）阶段
基础模型阶段是医学AI发展的新阶段，以多模态、非特定任务和表征隐性特征为特点。基础模型，如通用模型、大语言模型，能够处理结构化和非结构化数据，在多种模态和任务间分享权重，可以针对不特定任务。例如，超声心动图报告的视觉-语言基础模型，通过学习超声图像与超声报告之间的关系，实现对知识的总结，具有可解释性，并且可以实现多模态输入和多任务输出。这一阶段的发展为心血管影像学带来了新的思路，有望实现更全面、智能的心血管疾病诊断和治疗决策支持，但目前仍处于探索和发展阶段，面临着数据质量、模型优化等诸多挑战。
未来展望
随着AI技术的不断发展，其在心血管影像学领域的应用前景十分广阔。在诊断方面，AI将进一步提高诊断的准确性和效率，通过整合多模态数据，如影像、心电图、病理、文本、基因等信息，构建更精准的诊断模型，实现心血管疾病的早期筛查和精准诊断。同时，AI还将在治疗决策中发挥重要作用，根据患者的个体特征和疾病情况，为临床医生提供个性化的治疗方案建议，提高治疗效果。
此外，AI与心血管影像学的融合将推动远程医疗和基层医疗的发展。通过云端AI诊断平台，基层医疗机构可以将心血管影像数据上传至云端，由AI模型进行分析诊断，为基层患者提供高质量的医疗服务，缓解医疗资源分布不均的问题。
然而，AI在心血管影像学的应用也面临一些挑战。数据质量和隐私保护是亟待解决的问题，高质量的标注数据是训练有效AI模型的基础，但目前数据标注的准确性和一致性存在差异，且医疗数据涉及患者隐私，需要严格的隐私保护措施。同时，AI模型的可解释性也是临床应用中需要关注的重点，医生和患者对“黑箱”模型的信任度较低，开发具有可解释性的AI模型是未来研究的重要方向。此外，AI技术的临床验证和监管政策也需要进一步完善，确保AI在心血管影像学中的应用安全、有效。
结论
AI赋能心血管影像学已取得显著成果，在超声心动图、CMR、CCTA等多种心血管影像的分析和心血管疾病的诊断、预警等方面展现出巨大优势。医学AI的不同发展阶段各有特点，为心血管影像学的发展提供了多元化的技术手段。尽管目前面临诸多挑战，但随着技术的不断进步和研究的深入，AI有望成为心血管疾病诊疗中不可或缺的工具，推动心血管影像学向智能化、精准化方向发展，为心血管疾病患者带来更好的临床结局。
审稿丨中国医学科学院阜外医院 赵世华教授
