葛均波院士：将至已至，以梦为马——人工智能辅助结构性心脏病诊疗

AI是计算机科学的一个领域，它使计算机能够执行传统上只能由人类执行的任务，机器学习（Machine Learning , ML）和自然语言处理（NLP）是AI的两个核心要素。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

AI的实质就是建立在大数据基础上的具有概率预测功能的高级统计学。

1.机器学习

ML是AI的核心技术基础，包括有监督、无监督或强化学习，是对处理大型数据集和变量的传统统计方法的扩展。它使计算机能够通过一系列算法学习规则，统计并发现新模式。最重要的是，ML可以逐步优化输入和输出之间的“推理过程”。

在医学领域，ML可通过输入和结果的映射（监督学习）、自动寻找潜在的分类规则（无监督学习）、促进机器与环境或结果的交互获得推论（强化学习）三个方面来影响医学诊断、图像分类、图像识别和机器人导航等，如图1所示。

图1 机器学习

对于机器人导航，葛院士表示原则上讲现在的机器人并非真正意义上的机器人。真正的机器人应该具备自我思考、自我调节、自我识别和自我反馈的能力。

2.AI发展的三要素

➤影响AI发展的三个要素包括算法、算力和数据库：

➤具体到医学领域，AI发展的三要素包括：

1.AI辅助听诊诊断

对于AI辅助听诊器诊断，必须要有足够的数据（捕捉每个收缩肌和舒张肌的信息），才能进行心音分割、提取心音特征，并进行深度神经网络心音分类，判断患者的心音是否正常。

在AI辅助诊断方面，葛院士团队做了大量的工作。2019年，其团队电子听诊器+AI评估主动脉瓣狭窄的研究成果在国际心血管介入创新大会（ICI 2019）上发布，提示应用AI评估可避免许多人为的诊断误差。

图2 中山团队电子听诊器+AI评估主动脉瓣狭窄相关研究成果

2.AI辅助心电图诊断

AI可辅助心电图诊断，用于主动脉瓣狭窄、二尖瓣反流、心衰等的判断。

3.AI辅助心超诊断

AI可辅助超声心动图进行瓣膜评估，研究显示使用AI辅助心超协助诊断主动脉狭窄并分类的方法具有高特异性。

此外，在超声下，应用AI半自动跟踪瓣环和小叶解剖结构，进行参数分析，可提高心超诊断二尖瓣脱垂的准确性。

4.AI辅助CMR检查

使用手动和自动分析软件在舒张末期（ED）和收缩末期（ES）进行CMR心室功能分析，可优化接受经导管主动脉瓣置换术（TAVR）患者的风险分层。

5.AI辅助致病基因研究

研究显示，AI可辅助进行结构性心脏病致病基因的研究，通过筛选大基因库，来预测基因表达，以及结构性心脏病发生的年龄段等情况。

2021年，JACC-BASIC TRANSL SC发表的研究显示，AI模型揭示了主动脉瓣钙化中的性别特异性基因表达。

2022年，Front Immunol 杂志发表的研究显示，AI模型结合生物信息学分析有助于探究代谢综合征合并主动脉瓣钙化特异性基因的表达。

1.AI辅助CT下瓣膜定位

AI辅助CT检查有助于进行主动脉瓣标志的自动定位。由于AI可能会反馈瓣膜的受力情况、影像学状况等，因此可能比人工操作更为精准。

2023年，Walid报道了一种使用基于回归树的机器学习算法“colonial walk”，来自动定位主动脉瓣标志。研究显示，该算法仅需12ms即可定位瓣膜区域及标志点。

值得注意的是，研究还显示，AI辅助CT下瓣膜定位的预测测量值与手动获得的临床测量值具有极好的相关性。自动检测每位患者的总分析时间不到1s，与手动过程（25min）相比，极大地提高了检测效率。

2.AI辅助CT下TAVR术前评估

中国医学科学院阜外医院吴永健教授团队研发的基于深度学习的全自动算法——“FORSSMANN”算法，实现了无需人工干预的真正全自动一站式TAVR术前主动脉瓣复合区CT影像评估的全部功能。

该算法评估提炼了5类异常解剖结构特征作为风险因子并制定了相应的判定规则，可评估主动脉瓣环、双侧冠脉开口高度、钙化量、主动脉成角等参数，分析1例患者的平均用时仅约1min，显著提升评估效率，降低并发症发生率；且对比验证发现，FORSSMANN算法与资深医生对上述指标的评估结果具有高度的一致性。

3.AI辅助CT下左心耳及关键解剖部位定位

使用AI识别解剖结构和标志，或有助于指导临床医生如何进行穿刺、定位、释放等，使未来操作更为简便，降低并发症发生情况。

AI可以辅助预测手术并发症的发生情况，并指导之后的处理策略。

1.AI预测TAVR术后传导阻滞发生风险

使用ML，整合统计和机械建模，可以预测TAVR后传导阻滞的发生率，以及TAVR术后起搏器的植入率。

2.AI预测外科瓣膜手术后华法林使用剂量

使用AI-ML开发算法建立的支持向量机（SVM）回归模型，可用来预测外科瓣膜置换术后华法林的维持剂量，使其INR值稳定在2.0-4.0之间。

除此之外，研究者还开发出了一个简单易用的安卓移动应用程序，供患者使用该算法来预测剂量。

3.AI预测TMVR术后1年死亡率

2021年，Elric等开发了一种基于ML的风险分层工具——“MITRALITY”评分，其可通过结合代谢与血液动力学参数，来预测经导管二尖瓣修复（TMVR）患者的1年死亡率。

MITRALITY评分仅使用6个基线临床特征进行预测，包括尿素、血红蛋白、N端脑钠肽前体、平均动脉压、体重指数和肌酐。对外部验证队列的分析显示，MITRALITY评分的曲线下面积（AUC）为0.783（95%CI：0.716-0.849），而现有分数的AUC最多为0.721（95%CI：0.63-0.811）和0.657（95%CI）:0.536-0.778)，预测效果较好。

4.AI预测TAVR术后全因院内死亡率

未来，AI或可用于预测术后全因院内死亡率，且只要数据模型足够复杂，计算速度足够快，其预测精确度或比人工判断更为精确。

研究显示，纳入所有83个影响因素所得的机器学习模型在预测全因院内死亡率（AUC 0.94-0.97）方面的表现均显着高于STS风险评分。

5.AI预测其他术后并发症

AI在预测TAVR术后大出血、脑出血概率、长期结局及二尖瓣修复术后的死亡率等并发症方面均有较好的效果。

1.AI结合3D打印

AI结合3D打印进行实体与虚拟瓣膜模型的检测，可用于模拟操作，增加医师经验，使其操作更为精准。

2.增强现实技术

在导管室中，可通过虚拟现实技术（VR）和增强现实技术（AR）相结合，进行病变放大和定位等，以确定器械植入的位置等情况。

3.AI手术机器人的发展

目前，机器人研发尚处于初级阶段，现有机器人并不是真正意义上的机器人。真正的机器人应该具有主观感觉、视觉和导航功能，或有助于选择入路、制定治疗策略、进行手术操作等。

4.数字孪生技术

通过临床、影像、基因等多维数据，构建结构性心脏病的数字孪生，实现结构性心脏病的诊断，预后和治疗优化。

此外，还可以通过活体心脏虚拟数字孪生模型，将结构性心脏疾病与其他疾病关联，系统性评价，

构建虚拟数字人。