阐述机器学习未来在医疗领域的研究进程

心血管疾病由遗传、环境和行为等多种因素引起，在本质上是复杂和异质的。心血管医疗正在转向精准医学的模式，即基于患者特异度的基因表型、临床表现、生物标志物、心血管影像、行为特征等，采用量身定制的预防、诊断、治疗和预后策略［1，2］。各种影像技术在心血管疾病的诊断、治疗和预后管理中起着至关重要的作用。近些年来，心血管影像技术发展迅速，并产生大量的数据［3，4］。心血管疾病中大数据分析的指数增长和生物信息学的进步使得心血管医疗发生革命性的变化，因此特别需要人工智能（arTIficial intelligence，AI）帮助［5，6］。人工智能是计算机科学的一个领域，包括机器学习和认知计算等，旨在模拟人类的思维过程、学习能力和知识存储。机器学习是人工智能的重要组成部分，已应用于心血管医学，用于探索现有疾病的新基因型和表型，提高患者医疗质量，降低再入院率和病死率。计算机和影像技术的发展共同促进了机器学习在心血管影像中的应用［7］。机器学习法可以解决数据相关的问题，包括从现有测量数据的简单查询到分析原始图像所涉及更复杂的挑战。本综述将从机器学习概念、分类、机器学习在心血管影像中的应用以及目前存在的限制和不足进行阐述。

机器学习的概念和分类

1．监督学习：

监督学习的特征是使用带标记的数据集以及有相应的输出标签，通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出。可用于监督学习的算法包括支持向量机（support vector machine，SVM）、人工神经网络、决策树、随机森林、朴素贝叶斯分类器等。支持向量机和人工神经网络是两种最流行的算法，因为它们与复杂的大数据（例如组学数据）兼容，并且比其他监督学习算法准确度更高［12］。监督学习算法已经成功地应用于心血管疾病的诊断、治疗和预测以及心血管影像的图像分析。Berikol等［13］研究机器学习是否有助于诊断急性冠状动脉综合征并指导临床医师进行后续的治疗决策，对228例急诊胸痛患者的临床、实验室和影像学资料进行回顾性分析并比较四种监督学习算法的效能（支持向量机、人工神经网络、朴素贝叶斯和LogisTIc回归）。228例患者中，99例（43.4%）诊断为急性冠状动脉综合征，使用支持向量机的分类模型达到了99.13%的成功率，准确度最高。结果表明，机器学习可以帮助急诊科医师利用各种数据迅速做出正确决策。监督学习算法需要大量的数据集来训练模型和验证数据集。监督学习还需要手动标记训练数据集来预测已知的输出结果（例如病死率和再入院率）。

2．无监督学习：

3．深度学习：

机器学习在心血管影像中的应用

在心脏磁共振检查中，左室结构和功能是最主要的评价指标，而磁共振图像缺乏像CT图像中CT值那样的标准度量，且容易受心脏搏动和呼吸伪影的影响，使得直接应用基于信号强度的图像标注技术具有挑战性。Avendi等［22］利用深度学习算法来进行磁共振图像的左室完全自动标注，该技术准确度达到90%，平均标注时间《0.5 s，优于现有其他方法。Tan等［23］研究亦证实利用神经网络回归的自动左室标注算法，经多个医学影像中心和扫描仪器的心脏磁共振图像数据集进行验证，Jaccard指数、Hausdorff距离分别为0.77和1.33，诊断效能较以往研究明显提高，提示有很重要的临床应用价值。

机器学习也可用于心电诊断影像领域。2017年，Kardia Mobile（KM）（AliveCor Inc.，San Francisco，CA，USA）获得美国FDA批准，成为标准的医疗心率监测设备，它由一个带有两个导电板的小设备和一个安装在用户智能手机上的应用程序组成，适用于iOS和Android平台智能手机用户。患者只需将拇指放在集成式传感器上，即可随时随地获取心电图数据，实现心律异常和心房颤动的监测，同时借助AI软件分析心率和活动传感器的数据，每月生成一次心电图总结报告，并将记录发送医师。Koltowski等［24］证实KM与常规的12导联心电图相媲美，在房颤患者的诊断敏感度和特异度达92.8%和100%。临床对这种易于使用的移动心电图的需求是巨大的，KM的出现是心血管影像模式的转变，是心血管医疗预防保健的重大进步。

2．预测心肌缺血和血运重建：

临床医师面临的首要问题是选择正确的治疗方案。机器学习可以整合临床数据和图像定量特征，用于预测冠心病患者的早期血运重建。Arsanjani等［25］纳入行单光子发射CT（single-photon emission computed tomography，SPECT）心肌灌注扫描后90 d内行有创冠状动脉造影的713例患者，机器学习算法（LogitBoost）可以将得到的几种图像特征和临床参数（包括患者性别、高血压和糖尿病病史、基线心电图的ST段改变、负荷运动时后的心电图改变和临床表现）相结合来预测血运重建。结果显示，机器学习预测血运重建的能力与其中一位临床医师的诊断效能相似，而高于另一位临床医师的诊断（曲线下面积分别为0.81、0.81、0.72）。因此，机器学习方法在预测心肌灌注后的早期血运重建与经验丰富的专家相媲美或更好。

机器学习也可联合CCTA的定量参数来提高预测心肌缺血的准确度。Dey等［26］研究利用机器学习从CCTA图像中所得到的定量斑块参数的危险评分预测病灶的特异度缺血。该研究纳入254例患者均行有创的血流储备分数（fracTIon flow reserve，FFR）检查和CCTA检查，以有创FFR诊断特异度缺血为金标准，集成的机器学习算法包括运用增强的整体算法以及十倍的分层交叉验证从定量的CCTA检查中自动特性选择和模型构建。结果显示，机器学习预测病灶缺血的诊断效能优于狭窄程度、低密度非钙化斑块体积、斑块总体积以及验前概率（曲线下面积分别为0.84、0.76、0.77、0.74、0.63）。这些数据初步表明，结合定量狭窄指标和斑块特征的客观风险评分可以提高CCTA预测心肌缺血的能力，减少不必要的有创检查。

3．进行冠心病风险评估，预测患者结局：

机器学习不需要对影响预后的因素进行预先假设，也不会忽略预后因素较弱的变量，有潜力联合许多变量建立最优化的风险预测模型。van Rosendael等［27］纳入CONFIRM研究中的8 848例可疑冠心病患者，旨在研究机器学习评分（包含CCTA所得到的16节段冠状动脉树参数以及XGBoost算法）是否可以提高预测恶性心脏事件发生的能力。结果显示，与现有的CCTA危险评分相比，机器学习的预测模型准确度更高（曲线下面积分别为0.771和0.701）。另一方面，临床医师在作出治疗决策时不仅仅依靠影像信息，还要考虑患者的年龄、病史以及其他临床检查结果。机器学习可以联合患者的临床信息与图像的定量信息，得到预后评分系统，来预测疾病或患者的结局。这些对临床医师很有价值，因为根据定量参数评分而非主观风险评估，可以促进各种治疗方法的优化选择。最近的一项研究表明［28］，通过将CCTA获得的图像信息与临床信息相结合的机器学习算法可以准确地预测冠心病患者的全因病死率的结果。这是一项大型、前瞻性、多中心的研究，用于评价机器学习预测患者5年全因病死率的可行性和准确度，并与现行的临床或影像度量指标进行比较。研究纳入10 030例疑似冠心病患者并经过5年随访证实，所有患者均接受CCTA作为其常规检查，并对25个临床和44个CCTA参数进行评估，包括节段狭窄评分、节段累及评分、改良Duke指数、非钙化斑块、混合斑块和钙化斑块的节段、患者年龄、性别、标准心血管危险因素和Framingham风险评分（Framingham risk score，FRS）等。机器学习通过信息增益排名自动进行特征选择，并通过增强的集成算法建立模型以及十倍分层交叉验证。与FRS或CCTA评分（节段狭窄评分、节段累及评分、改良Duke指数）相比，机器学习用于预测全因病死率的效能更好（曲线下面积分别为0.61、0.64、0.64、0.62、0.79）。通过比较净再分类改进指标，机器学习可以更恰当地区分风险类别，5年病死率的风险评估明显优于现有的临床或CCTA的单独度量。Betancur等［29］证实结合心肌灌注图像的各种参数和临床信息的机器学习模型在预测3年恶性心血管事件的准确度优于目前自动灌注图像评估方法。因此，机器学习在评估心血管疾病的预后风险方面具有重要的价值。

机器学习的挑战和不足

1．主要限制：

尽管机器学习在心血管影像中显示出了巨大的潜能，但仍然存在一些不足，影响其在临床中的广泛应用。第一个问题是数据集的数量和质量。在心血管影像领域，许多研究都是使用相对较小的数据集进行的，而机器学习若基于较小数据集所建立的模型并不能很好的推广应用。例如，卷积神经网络使用多参数的多层方法进行图像分析，需要大量的数据才能做出准确的预测。使用不同的图像采集技术对算法进行精确的训练，也会增加所需的病例数。例如，罕见的心血管疾病，由于缺乏足够的影像学资料，机器学习法应用可能受到限制。第二个问题是机器学习和心血管影像学各自的复杂性。有些机器学习的方法过于复杂，例如有关深度学习的新算法，需对解决的问题建立严格的假设并生成许多变量，结果解读困难，使其难以直接应用于影像学问题。从心血管医疗的角度来看，也存在着疑难复杂的问题，例如先天性心脏病种类繁多复杂，影像表现多样，目前没有已知的机器学习方法可以解决这些问题。第三个问题是医师的抵抗性。机器学习这种高级图像分析和解读工具的出现可能会引起医学界对其工作的恐惧，害怕某种程度上取代他们的工作。然而，医师应该以积极的态度看待这些发展，因为机器学习可以实现更优化、更个性化诊断评估患者，有助于实践精准医学原则［30，31］。

2．模型的欠拟合或过拟合：

3．外部验证：

如果患者或图像特征发生变化，由特定的研究机构或特定类型的设备所进行图像和临床数据训练的机器学习模型诊断效能会下降。因此，机器学习应该在涵盖广泛人群特征和多种检查设备的多中心研究中开发和验证。另外，需要对训练集以外的数据进行正式验证。然而，由于目前全国的数据共享存在障碍，这实施起来可能会很困难。此外，在即使在同一医疗中心，心血管疾病患者的特征和发病模式也可能随时间发生变化，因此机器学习模型可能需要逐步适应这种改变。

机器学习未来的研究方向

未来，心血管影像数据将更容易与电子病历和其他大数据集中的非影像数据联系起来。一方面，机器学习能从这些大数据集中提取知识，包括社会人口学、影像、临床、实验室检查以及遗传学信息，用于个体化临床决策的制定和结局的预测分析，这可以为精准医疗铺平道路［33］。不同的机器学习的算法可以揭示心血管医学大数据中的隐藏模式，有助于理解特定患者群体中微妙的个体风险因素、行为驱动因素，目标是实现精确诊断、风险分层和个性化治疗。另一方面，机器学习算法在前瞻性临床试验中的应用，将使其能够与当前的医疗实践标准进行比较，可能带来新的治疗方式，并有助于改善个体化心血管医疗。机器学习在可预见的未来不会取代医师的工作，相反，我们相信人工智能特别是机器学习可以扩大和扩展目前的心血管医疗服务实践，提高医师的工作效率，并提高患者的医疗护理和满意度。

总之，机器学习方法已广泛应用于心血管影像领域，成为许多图像采集和处理算法的核心技术。机器学习可以整合临床及影像数据，优化临床工作流程，提高心血管疾病的诊断治疗、危险分层和结局预测。随着机器学习应用范围的不断扩大，以及对其能力以及不足的深入了解，将有潜力促使心血管疾病诊疗的快速进步