首頁(yè) 資訊 人工智能在先天性心臟病學(xué)中的應(yīng)用

人工智能在先天性心臟病學(xué)中的應(yīng)用

來(lái)源:泰然健康網(wǎng) 時(shí)間:2024年12月20日 20:25

謝穩(wěn)1,2,姚澤陽(yáng)1,2,邱海龍2,徐小維2,莊建1,2

1. 華南理工大學(xué)附屬?gòu)V東省人民醫(yī)院 心外科(廣州 510100);2. 廣東省華南結(jié)構(gòu)性心臟病重點(diǎn)實(shí)驗(yàn)室 廣東省心血管病研究所 廣東省人民醫(yī)院 廣東省醫(yī)學(xué)科學(xué)院 心外科(廣州 510100)

通信作者:莊建,Email:Zhuangjian5413@tom.com

關(guān)鍵詞:人工智能;先天性心臟病;機(jī)器學(xué)習(xí);深度學(xué)習(xí);神經(jīng)網(wǎng)絡(luò)

引用本文:謝穩(wěn), 姚澤陽(yáng), 邱海龍, 徐小維, 莊建. 人工智能在先天性心臟病學(xué)中的應(yīng)用. 中國(guó)胸心血管外科臨床雜志, 2020, 27(3): 343-353. doi: 10.7507/1007-4848.201911085

摘  要

人工智能屬于計(jì)算機(jī)科學(xué)領(lǐng)域,在過(guò)去的幾十年里,人工智能在醫(yī)學(xué)領(lǐng)域展現(xiàn)了廣泛的應(yīng)用前景。但直到最近幾年,隨著計(jì)算機(jī)技術(shù)的進(jìn)步,醫(yī)生和計(jì)算機(jī)專(zhuān)家才真正開(kāi)始發(fā)現(xiàn)其應(yīng)用于臨床的潛力,尤其是在先天性心臟病領(lǐng)域。當(dāng)前,人工智能已成功應(yīng)用于先天性心臟病的預(yù)測(cè)、智能診斷、醫(yī)學(xué)圖像分割和識(shí)別以及臨床決策支持等領(lǐng)域。本文綜述了人工智能在先天性心臟病學(xué)中的應(yīng)用。

正  文

先天性心臟病(congenital heart disease,CHD)是指出生時(shí)即存在的心臟結(jié)構(gòu)性缺損,是最常見(jiàn)的先天性心臟畸形疾病,占所有先天性畸形疾病的三分之一。文獻(xiàn)[1]報(bào)道每 1 000 名活產(chǎn)嬰兒中有 4.1~12.9 例 CHD 患兒。在一項(xiàng)研究中,van der Linde 等[2]使用固定效應(yīng)模型分析了近 100 年 CHD 的發(fā)病趨勢(shì),發(fā)現(xiàn)隨著時(shí)間的推移 CHD 發(fā)病率越來(lái)越高,由 1930 年的 1/1 000 例活產(chǎn)嬰兒到近年來(lái)的 9/1 000 例,并且不同地區(qū)的人群發(fā)病率不同。國(guó)內(nèi)報(bào)道發(fā)病率由 1996 年的 6.15/10 000 上升至 2000 年的 11.40/10 000,南方發(fā)病率明顯高于北方,且與孕產(chǎn)婦保健系統(tǒng)和產(chǎn)前診斷水平密切相關(guān)[3]。研究[4-5]顯示每 1 000 名活產(chǎn)嬰兒中 6~19 例可能有中度到重度先天性心臟缺陷,如果包括出生時(shí)出現(xiàn)的微小肌肉性室間隔缺損(ventricular spetal defect,VSD)和其他小病變,所有類(lèi)型的 CHD 發(fā)病率都將增加至 75/1 000[6]。

隨著人們對(duì)心血管系統(tǒng)疾病的認(rèn)識(shí)逐漸加深,外科技術(shù)和介入手段的快速發(fā)展,CHD 患者生存率快速上升,甚至可存活至成年。過(guò)去幾十年中成人先天性心臟病患者(adult congenital heart disease/defect,ACHD)數(shù)量穩(wěn)步上升,到 2010 年,ACHD 占患有嚴(yán)重 CHD 患者的 60%,占患有其他類(lèi)型 CHD 患者的 66%[7],且長(zhǎng)期生存率較低[8-9]。CHD 的治療方式主要為外科手術(shù)和導(dǎo)管介入手術(shù),復(fù)雜 CHD 患者以外科治療為主。心臟外科的手術(shù)治療費(fèi)用昂貴,治療周期長(zhǎng),需要面臨高死亡率和再次手術(shù)的風(fēng)險(xiǎn)[10],許多家庭都難以承擔(dān)。據(jù) Apfeld 等[11]關(guān)于先天性缺陷患兒住院期間費(fèi)用的研究顯示,與其他重癥患兒相比,需要外科治療的先天性畸形疾病在美國(guó)醫(yī)療保健系統(tǒng)中成本過(guò)高。Russo 等[12]也指出 2004 年美國(guó)先天性缺陷住院費(fèi)用可高達(dá) 26 億美元,其中剖宮產(chǎn)和 CHD 相關(guān)的住院費(fèi)用約占 14 億美元。同樣國(guó)內(nèi)也有報(bào)道,每新發(fā) CHD 病例生命周期的經(jīng)濟(jì)負(fù)擔(dān)平均是 9.7 萬(wàn)元,2003 年全國(guó)新發(fā)病例的生命周期總經(jīng)濟(jì)負(fù)擔(dān)可達(dá) 28.88 億元[13-14]。先天性心臟畸形病種類(lèi)型多且變異度大,其直接或間接產(chǎn)生的社會(huì)和家庭經(jīng)濟(jì)負(fù)擔(dān)以及政府對(duì)于公共衛(wèi)生健康管理所面臨的一系列應(yīng)對(duì)措施等問(wèn)題,對(duì) CHD 醫(yī)療健康領(lǐng)域的長(zhǎng)遠(yuǎn)發(fā)展來(lái)說(shuō)是一個(gè)巨大的挑戰(zhàn)。

與此同時(shí),人工智能(artificial intelligence,AI)技術(shù)得到了迅猛發(fā)展。一方面,在摩爾定律[15]理論支持下,計(jì)算機(jī)性能不斷突破,基于高性能計(jì)算和云運(yùn)算的強(qiáng)大能力,尤其是圖形處理單元(graphic processing units,GPU)的不斷升級(jí)使得許多理念和算法成功實(shí)行[16],這對(duì)機(jī)器學(xué)習(xí)應(yīng)用于大量相關(guān)領(lǐng)域有重要推動(dòng)作用。另一方面,AI 作為多領(lǐng)域交叉學(xué)科的研究方向,在圖像識(shí)別、語(yǔ)音分析、自動(dòng)駕駛、藥物合成等領(lǐng)域已經(jīng)展現(xiàn)了超越人類(lèi)的潛能,將極大提升上述領(lǐng)域的自動(dòng)化和智能化水平。

AI 技術(shù)的發(fā)展為心血管系統(tǒng)疾病診療的高效自動(dòng)化和經(jīng)濟(jì)節(jié)約化提供了一個(gè)可行的方案。一方面,AI 通過(guò)使用計(jì)算機(jī)的算法優(yōu)化流程和決策的能力已成功被應(yīng)用于智能診療、醫(yī)學(xué)影像分析、電子健康病歷的大數(shù)據(jù)管理、精準(zhǔn)醫(yī)療、分子生物學(xué)及新藥研發(fā)等方向,極大地改善了醫(yī)療環(huán)境。另一方面,AI 在心血管疾病的診治上已經(jīng)展現(xiàn)了一定的潛力:它可以通過(guò)使用高效的算法從大量成像數(shù)據(jù)中檢測(cè)和“學(xué)習(xí)”特征,幫助醫(yī)師減少診斷和治療相關(guān)錯(cuò)誤并促進(jìn)個(gè)性化醫(yī)療,從而達(dá)到指導(dǎo)臨床實(shí)踐的目的。此外,AI 可以用于識(shí)別疾病特有的模式并關(guān)聯(lián)新的特征,以獲得具有創(chuàng)新性的科學(xué)見(jiàn)解。

本文綜述了 AI 技術(shù)在心血管領(lǐng)域的相關(guān)應(yīng)用,并進(jìn)行了具體的分類(lèi)分析。同時(shí)對(duì)文獻(xiàn)中相關(guān)的 AI 技術(shù)進(jìn)行了介紹。本文旨在通過(guò)對(duì) AI 技術(shù)的介紹和相關(guān)工作的總結(jié)分析推動(dòng) AI 在心血管領(lǐng)域應(yīng)用中的進(jìn)一步發(fā)展與完善。

1   人工智能

AI 是計(jì)算機(jī)科學(xué)的一個(gè)分支,旨在模擬人類(lèi)的思維過(guò)程、學(xué)習(xí)能力和知識(shí)儲(chǔ)備。AI 還誕生出一些子學(xué)科,包括機(jī)器學(xué)習(xí)(machine learning,ML)/人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、計(jì)算機(jī)視覺(jué)(computer vision,CV)、自然語(yǔ)言處理(natural language processing,NLP)、深度學(xué)習(xí)(deep learning,DL)、專(zhuān)家系統(tǒng)(expert system)/臨床決策支持系統(tǒng)(clinical decision support system,CDSS)以及機(jī)器人學(xué)(robotics)等領(lǐng)域(圖 1)。

81251584663690327  

圖1 人工智能的各學(xué)科領(lǐng)域介紹

1.1   機(jī)器學(xué)習(xí)/人工神經(jīng)網(wǎng)絡(luò)

ML 是指計(jì)算機(jī)執(zhí)行預(yù)定義任務(wù)并從經(jīng)驗(yàn)和輸入中學(xué)習(xí)更多觀察的過(guò)程[17-18]。1943 年,Warren 和 Walter 基于神經(jīng)細(xì)胞生物過(guò)程的原理提出了神經(jīng)元的 M-P 模型[19],這是歷史上首次提出的神經(jīng)元數(shù)學(xué)模型,開(kāi)創(chuàng)了 ANN 的研究時(shí)代。之后的研究陸續(xù)提出了有關(guān)神經(jīng)網(wǎng)絡(luò)的 Hebb 學(xué)習(xí)規(guī)則[20],以 M-P 模型為基礎(chǔ)的感知器(perceptron)[21]以及自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)(adaptive linear neuron)[22]等算法,促進(jìn)了 ANN 的研究應(yīng)用和發(fā)展。ANN 的設(shè)計(jì)類(lèi)似于人的大腦,由許多層相互連接的數(shù)據(jù)處理器組成,這些處理器具有不同的權(quán)重,通過(guò)學(xué)習(xí)算法(例如反向傳播)訓(xùn)練網(wǎng)絡(luò)的權(quán)重,呈現(xiàn)成對(duì)的輸入信號(hào)和期望的輸出決策,模仿大腦依賴外部感覺(jué)刺激來(lái)學(xué)習(xí)實(shí)現(xiàn)特定任務(wù)的條件以反映決定目標(biāo)輸出或觸發(fā)動(dòng)作的相互依賴關(guān)系[23-24]。ANN 的發(fā)展和演變使我們更接近于復(fù)制機(jī)器在人類(lèi)中學(xué)習(xí)的方式,更多的是要考慮到有多種算法可以用來(lái)滿足不同目標(biāo)的需要。單個(gè)模型不能應(yīng)用于全局,因?yàn)檫@樣會(huì)導(dǎo)致次等結(jié)果,同時(shí)可能無(wú)法滿足主要用戶的需求。所有機(jī)器學(xué)習(xí)算法的基礎(chǔ)都建立在預(yù)測(cè)建模的三個(gè)步驟上:數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)擬合的模型選擇和模型驗(yàn)證。ANN 可以學(xué)習(xí)的數(shù)據(jù)越多,它就能更好地通過(guò)算法結(jié)構(gòu)微調(diào)整擴(kuò)大其預(yù)測(cè)能力。

1.2   深度學(xué)習(xí)

DL 是 ML 的一個(gè)分支,它能夠使計(jì)算機(jī)通過(guò)層次概念來(lái)學(xué)習(xí)經(jīng)驗(yàn)和理解世界[25]。基于 ANN 的知識(shí)結(jié)構(gòu)和學(xué)科應(yīng)用,DL 將 AI 技術(shù)向前推進(jìn)了一步。DL 與傳統(tǒng) ML 的不同之處在于如何從原始數(shù)據(jù)中學(xué)習(xí)到模型表示,即表示學(xué)習(xí)(representation learning),使用 ML 來(lái)發(fā)掘表示本身,而不僅僅把表示映射到輸出[26]。與 ANN 相比,它們的主要區(qū)別在于深度神經(jīng)網(wǎng)絡(luò)具有多隱藏層的維度、多隱藏層的連接以及學(xué)習(xí)有意義的抽象輸入的能力。DL 的神經(jīng)網(wǎng)絡(luò)具有多個(gè)隱藏層,一個(gè)層由一組節(jié)點(diǎn)組成,有時(shí)稱(chēng)為“特征”或“單元”,這些節(jié)點(diǎn)通過(guò)邊緣連接到更早和更深的層[27](圖 2)。此種算法可以自動(dòng)設(shè)計(jì)具有適合多種任務(wù)的特性,并為一個(gè)或多個(gè)特定任務(wù)自定義這些功能。事實(shí)上,DL 被證明擅長(zhǎng)在高維數(shù)據(jù)中發(fā)現(xiàn)復(fù)雜的結(jié)構(gòu),能夠從大量數(shù)據(jù),特別是無(wú)監(jiān)督數(shù)據(jù)中提取高級(jí)、復(fù)雜的抽象和數(shù)據(jù)表示[29],并在圖像領(lǐng)域[30-32]、語(yǔ)音識(shí)別[33]、自然語(yǔ)言理解[34]和翻譯[35]等方面擁有顯著的目標(biāo)檢測(cè)性能。DL 在醫(yī)療保健方面也取得了較大進(jìn)展,包括眼底視網(wǎng)膜檢查[36-37]、臨床影像圖像重建與分割[30, 38]、病理圖像檢測(cè)與識(shí)別[39-40]、基因組學(xué)[41-42]以及電子健康病歷(electronic health record,EHR)管理[43-44]等相關(guān)專(zhuān)業(yè)領(lǐng)域。

48511584663690530  

圖2 深度神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化示意圖

輸入信息由輸入層饋送,輸入層又饋入一個(gè)或多個(gè)隱藏層,這些隱藏層最終鏈接到輸出層,輸入層以逐層非線性的方式處理饋入,以預(yù)先訓(xùn)練(初始化)后續(xù)隱藏層中的節(jié)點(diǎn),從而學(xué)習(xí)“深層結(jié)構(gòu)”和可概括的表示,之后這些表示被饋入到監(jiān)督層中,并使用反向傳播算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào),使其朝向針對(duì)特定端到端任務(wù)而作優(yōu)化的表示[28]

1.3   專(zhuān)家系統(tǒng)/臨床決策支持系統(tǒng)

專(zhuān)家系統(tǒng)是為解決某一特定領(lǐng)域的復(fù)雜問(wèn)題而開(kāi)發(fā)的計(jì)算機(jī)應(yīng)用程序,具有最高水平的人類(lèi)智慧和專(zhuān)業(yè)知識(shí)。在神經(jīng)網(wǎng)絡(luò)發(fā)明之前,人們使用專(zhuān)家系統(tǒng)旨在利用知識(shí)系統(tǒng)的推理能力來(lái)解決復(fù)雜的問(wèn)題。早期開(kāi)發(fā)創(chuàng)建的專(zhuān)家系統(tǒng)被應(yīng)用于醫(yī)學(xué)和生物學(xué)診斷的計(jì)算機(jī)輔助系統(tǒng)[45],但由于其使用傳統(tǒng)方法(概率論[46]或流程圖[47])而存在很大的局限性。1965 年斯坦福大學(xué)利用列表處理(list processing,LISP)語(yǔ)言開(kāi)發(fā)并推出了第一個(gè)專(zhuān)家系統(tǒng) DENDRAL[48],旨在確定化合物分子結(jié)構(gòu)。后來(lái)又創(chuàng)建了基于反向鏈接原理的 MYCIN 專(zhuān)家系統(tǒng)[49],該系統(tǒng)可以識(shí)別引起嚴(yán)重感染的各種細(xì)菌,推薦可使用的抗生素并根據(jù)患者體重調(diào)整合理的使用劑量。這兩個(gè)系統(tǒng)的推廣使專(zhuān)家系統(tǒng)在醫(yī)學(xué)領(lǐng)域迅速發(fā)展,在這個(gè)基礎(chǔ)上后續(xù)也有其他系統(tǒng)推出,如 INTERNIST-I(一種計(jì)算機(jī)輔助診斷系統(tǒng))[50]、CADUCEUS(一種內(nèi)科診斷咨詢系統(tǒng))[51]和 CASNET(描述疾病過(guò)程的因果關(guān)聯(lián)的網(wǎng)絡(luò)模型,主要用于青光眼的專(zhuān)家咨詢計(jì)劃)[52]等專(zhuān)家系統(tǒng),但由于存在諸多問(wèn)題而沒(méi)有實(shí)現(xiàn)相關(guān)專(zhuān)業(yè)人員的常規(guī)使用[53]。優(yōu)秀決策的要求分為三點(diǎn):準(zhǔn)確數(shù)據(jù)、相關(guān)知識(shí)、適當(dāng)解決問(wèn)題的能力。數(shù)十年來(lái)基于計(jì)算機(jī)的決策輔助工作為臨床醫(yī)師提供了強(qiáng)大的動(dòng)力[54],專(zhuān)家系統(tǒng)的領(lǐng)域局限性和被動(dòng)性使人們意識(shí)到 CDSS 的重要性。CDSS 的不同之處在于它是以 EHR 的廣泛普及為基礎(chǔ)發(fā)展而成[55](圖 3),同時(shí)融合了管理科學(xué)、運(yùn)籌學(xué)、控制論和行為科學(xué)等多門(mén)學(xué)科,以計(jì)算機(jī)技術(shù)、仿真技術(shù)和信息技術(shù)為手段,支持決策活動(dòng)的具有智能作用的人機(jī)系統(tǒng),強(qiáng)調(diào)人機(jī)交互也是支持 CDSS 與從業(yè)人員工作流程相融洽的重要維度。近年來(lái),越來(lái)越多地將其作為實(shí)用性工具,DNN 技術(shù)的革新和醫(yī)療保健的復(fù)雜性及其成本不可避免地增長(zhǎng),以及引入醫(yī)療保健立法手段都促進(jìn)了 CDSS 的發(fā)展[58]。

9201584663690835  

圖3 CDSS 的基本工作流程 

CDSS 分為基于知識(shí)的系統(tǒng)和基于非知識(shí)的系統(tǒng),前者主要包括三個(gè)部分:知識(shí)庫(kù)、推理引擎和通信機(jī)制[56]。知識(shí)庫(kù)包含編譯數(shù)據(jù)的規(guī)則和關(guān)聯(lián),這些關(guān)聯(lián)和規(guī)則通常采用 If-then 規(guī)則運(yùn)行;推理引擎使用健康記錄,專(zhuān)業(yè)術(shù)語(yǔ)以及帶有 CDS 規(guī)則的用戶輸入來(lái)執(zhí)行決策支持邏輯;通信機(jī)制的功能是向用戶界面顯示警報(bào)時(shí),接受臨床醫(yī)生的輸入?;诜侵R(shí)的 CDSS 是一種使用 ML 的人工智能形式,旨在從過(guò)去的經(jīng)驗(yàn)中學(xué)習(xí)和/或在臨床數(shù)據(jù)中找到相關(guān)模式?;诜侵R(shí)的 CDSS 有三種算法:支持向量機(jī)、ANN 和遺傳算法[57] CDSS:臨床決策支持系統(tǒng);EHR:電子健康病歷;CDS:臨床決策支持

1.4   自然語(yǔ)言處理

NLP 是 AI 的一個(gè)子領(lǐng)域,強(qiáng)調(diào)計(jì)算機(jī)與人類(lèi)(自然)語(yǔ)言的交互,通過(guò)編寫(xiě)計(jì)算機(jī)程序來(lái)處理和分析人類(lèi)書(shū)面和口頭語(yǔ)言的能力。計(jì)算機(jī)認(rèn)知程序通過(guò)應(yīng)用 NLP 來(lái)閱讀快速增量的科學(xué)文獻(xiàn)進(jìn)行醫(yī)學(xué)知識(shí)的學(xué)習(xí)和儲(chǔ)備,利用醫(yī)生的筆記和處方以及醫(yī)學(xué)圖像以提取有意義的見(jiàn)解和醫(yī)療保健的相關(guān)內(nèi)容,并整理各種年份的電子病歷從而致力于影響醫(yī)療實(shí)踐來(lái)完善 EHR 大數(shù)據(jù)精準(zhǔn)而快速的管理[59]。

1.5   計(jì)算機(jī)視覺(jué)

CV 是一個(gè)跨學(xué)科領(lǐng)域,同時(shí)也是 21 世紀(jì)發(fā)展速度最快的領(lǐng)域之一。CV 涉及如何使用機(jī)器從數(shù)字圖像或視頻中獲得高層次的認(rèn)知和理解,它以人類(lèi)的方式從視頻或圖像中獲取和學(xué)習(xí)信息。與醫(yī)療領(lǐng)域相關(guān)的主要內(nèi)容包括醫(yī)學(xué)圖像和病理組織切片的自動(dòng)掃描識(shí)別和分析[60-61],利用虛擬現(xiàn)實(shí)(virtual reality,VR)系統(tǒng)實(shí)現(xiàn)人體解剖結(jié)構(gòu)的三維可視化功能從而為患者制定個(gè)性化手術(shù)方案[62],并且能為術(shù)者提供復(fù)雜手術(shù)的模擬指導(dǎo)導(dǎo)航功能[63],三維重建后的醫(yī)學(xué)圖像可通過(guò) 3D 打印模型用于術(shù)前手術(shù)策略規(guī)劃、模擬手術(shù)的操控練習(xí)、醫(yī)患之間病情溝通以及解剖指導(dǎo)教學(xué)資源[64-66]。

2   人工智能技術(shù)在先天性心臟病學(xué)中的應(yīng)用

早期 AI 應(yīng)用于醫(yī)學(xué)主要是通過(guò)使用計(jì)算機(jī),將幾種數(shù)學(xué)技術(shù)用于輔助醫(yī)學(xué)診斷的某些方面:向醫(yī)生提供與數(shù)據(jù)分析和鑒別診斷相關(guān)的定量方法;在診斷測(cè)試過(guò)程的各個(gè)階段,協(xié)助評(píng)估最佳替代行動(dòng)方案;定期記錄和評(píng)估個(gè)體生理規(guī)范,以更敏感地確定個(gè)體相對(duì)于疾病預(yù)防的健康趨勢(shì)[67]。受限于算法模型和計(jì)算機(jī)性能的不足,早期診斷只能做到預(yù)估計(jì)算機(jī)正確診斷的后驗(yàn)概率,同時(shí)還要獲得每種疾病的概率(即患者群體中患有每種疾病的人口比例)和給定疾病的每種癥狀子集的概率(即患有疾病的人也具有癥狀組合子集的比例)[68]。隨著數(shù)據(jù)矩陣的細(xì)化,計(jì)算機(jī)診斷的準(zhǔn)確性仍在不斷提高。計(jì)算機(jī)準(zhǔn)備數(shù)據(jù)和接受計(jì)算機(jī)以鑒別診斷形式反饋的經(jīng)驗(yàn)對(duì)于醫(yī)生的診斷效率和正確性提高也有一定的作用。

2.1   智能診斷應(yīng)用

智能診斷在 CHD 領(lǐng)域主要用于心臟雜音識(shí)別診斷和產(chǎn)前胎兒識(shí)別診斷。產(chǎn)前胎兒識(shí)別診斷主要用于 CHD 胎兒的妊娠期快速篩查,對(duì)于 CHD 的疾病防控和管理具有重要社會(huì)學(xué)意義。目前智能診斷技術(shù)主要依賴于 ML 和 DNN 模型。

2.1.1   心臟雜音識(shí)別診斷

CHD 部分病種的心臟雜音可輔助診斷,雖然該方法的診斷準(zhǔn)確性不及影像學(xué),但可作為一種初篩的手段用于推廣普及至各個(gè)醫(yī)院和診所。該領(lǐng)域于八十年代推出專(zhuān)家系統(tǒng)[69]。基于 CHD 不同病種心臟雜音的特異性,已經(jīng)開(kāi)發(fā)出了許多心臟雜音識(shí)別的智能模型。Barschdorff 使用神經(jīng)網(wǎng)絡(luò)進(jìn)行心臟缺陷的語(yǔ)音記錄并分析心音信號(hào),從而實(shí)現(xiàn)類(lèi)似于醫(yī)生聽(tīng)診心音信號(hào)后作出的主觀解釋[70]。神經(jīng)網(wǎng)絡(luò)的正確識(shí)別率可達(dá) 70%,若進(jìn)一步積累數(shù)據(jù)可以提高診斷的準(zhǔn)確性[71]。隱馬爾科夫模型(hidden Markov models,HMM)作為 NLP 應(yīng)用程序中最常使用的統(tǒng)計(jì)模型,對(duì)于心臟雜音的識(shí)別,其總體分類(lèi)正確率可達(dá) 96%,特異度 98%,該模型可快速篩選并進(jìn)行特異性缺陷檢測(cè)[72]。Thompson 等[73]運(yùn)用心臟聽(tīng)診記錄數(shù)據(jù)庫(kù)選擇病理性雜音、功能性雜音和無(wú)雜音的病例,研究基于 AI 的心臟雜音檢測(cè)算法進(jìn)行全面客觀評(píng)估,加入算法確定性度量、患者年齡、心率、雜音強(qiáng)度、胸部記錄位置和病理診斷等特征,準(zhǔn)確率可達(dá) 88%(95%CI 85%~91%)。這是首次利用大型數(shù)據(jù)庫(kù)進(jìn)行心臟雜音檢測(cè)的全面評(píng)估,高敏感度和特異性使其可成為 CHD 潛在有用的篩選工具,并闡述了此類(lèi)技術(shù)對(duì)于臨床實(shí)用性的解釋。

2.1.2   產(chǎn)前胎兒識(shí)別診斷

利用算法模型建立的診斷識(shí)別系統(tǒng),對(duì)于產(chǎn)前診斷也具有重要意義。產(chǎn)前診斷有幾率篩查尚未出生但患有復(fù)雜先天性心臟缺陷的胎兒,若病情嚴(yán)重可以考慮及時(shí)終止妊娠。Haghpanahi 等[74]設(shè)計(jì)了一種從非侵入性胎兒心電圖信號(hào)中檢測(cè)胎兒峰值的算法,該算法對(duì)臨床遇到的各種不同形態(tài)和強(qiáng)度的信號(hào)都能很好地檢測(cè)出胎兒 QRS 波的位置,可以幫助臨床醫(yī)生在分娩過(guò)程中做出更合適的決策方案。Yeo 等[75]報(bào)道了一種利用智能導(dǎo)航技術(shù)對(duì) 9 種標(biāo)準(zhǔn)胎兒超聲心動(dòng)圖圖像進(jìn)行可視化的新方法,該方法可標(biāo)記包括胎兒心臟的七個(gè)解剖結(jié)構(gòu),簡(jiǎn)化了獲取超聲心動(dòng)圖視圖所需的步驟,更少地依賴于操作人員,同時(shí)簡(jiǎn)化了對(duì)胎兒心臟的檢查流程。通過(guò)超聲智能導(dǎo)航檢查胎兒心臟和無(wú)創(chuàng)胎兒心電圖可以簡(jiǎn)化操作流程,使用較少的步驟即可得到需要的結(jié)果。臨床醫(yī)生運(yùn)用 ML 或 CV 專(zhuān)業(yè)知識(shí)可以從不同的角度去實(shí)現(xiàn)此類(lèi)技術(shù),從而達(dá)到專(zhuān)業(yè)化診斷識(shí)別平臺(tái)的目的。利用產(chǎn)前胎兒識(shí)別診斷技術(shù)和多中心區(qū)域化網(wǎng)絡(luò)聯(lián)合建立起 CHD 防控平臺(tái),有望從根源上降低 CHD 的發(fā)病率及患病率。在算法不斷優(yōu)化升級(jí)的同時(shí),需要審核者擁有專(zhuān)業(yè)的基礎(chǔ)知識(shí)并消除或規(guī)范主觀偏見(jiàn)以避免誤診,做到客觀公正、統(tǒng)一泛化的標(biāo)準(zhǔn)。

2.2   專(zhuān)家系統(tǒng)/臨床決策支持系統(tǒng)

心音圖(phonocardiogram)在早期應(yīng)用是很多見(jiàn)的,其他的識(shí)別特征還有年齡、X 線檢查、心電圖、癥狀以及體格檢查等,利用收集的所有患者資料推導(dǎo)出條件概率方程以表示臨床醫(yī)生從臨床數(shù)據(jù)作出診斷的邏輯過(guò)程,并計(jì)算出每種疾病代表任何特定患者的正確診斷概率[76],或使用基于貝葉斯概率模型用于 CHD 的診斷[46,77-78],疾病的診斷精度可與該領(lǐng)域經(jīng)驗(yàn)豐富的專(zhuān)家相媲美。智能分類(lèi)系統(tǒng)的設(shè)計(jì)是一個(gè)包含 2 500 多個(gè)條目的知識(shí)庫(kù),用于描述 CHD 領(lǐng)域內(nèi)的異常、治療、并發(fā)癥等,結(jié)合特定領(lǐng)域知識(shí)和術(shù)語(yǔ)的目的是為數(shù)據(jù)輸入和數(shù)據(jù)收集分析提供一個(gè)有用的工具[79]。Vanisree 等[80]利用 MATLAB 的圖形用戶界面特性,結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)開(kāi)發(fā)的一種用于 CHD 診斷的決策支持系統(tǒng),其診斷精確度高達(dá) 90%。Le?ot 等[81]使用決策樹(shù)算法通過(guò)專(zhuān)家知識(shí)獲取致力于建立一個(gè) CHD 診斷研究專(zhuān)家系統(tǒng),試圖推理出醫(yī)生診斷 12 種常見(jiàn) CHD 的啟發(fā)式規(guī)則。Fallot 模型旨在解決診斷多個(gè)相互作用缺陷的難題,單一缺陷的診斷正確率表現(xiàn)很完美,合并缺陷的正確診斷率也能接近專(zhuān)家水平,此方法的分類(lèi)和分析可用于其他具有復(fù)雜相互作用的診斷任務(wù)[82]?;诓±评砼c神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷系統(tǒng)在解決新問(wèn)題時(shí),神經(jīng)網(wǎng)絡(luò)用于做出假設(shè)并指導(dǎo)病例推理模塊搜索之前類(lèi)似病例并支持其中一個(gè)假設(shè),混合診斷系統(tǒng)可以解決神經(jīng)網(wǎng)絡(luò)無(wú)法以高精確度解決的問(wèn)題,此系統(tǒng)已用于開(kāi)發(fā) CHD 的診斷系統(tǒng)[83]。對(duì)于醫(yī)療行業(yè)而言,智能風(fēng)險(xiǎn)檢測(cè)是一個(gè)具有挑戰(zhàn)性的領(lǐng)域,Moghimi 等[84]推出了可以實(shí)時(shí)智能檢測(cè)并與醫(yī)療保健環(huán)境中的決策支持相結(jié)合的 CHD 智能風(fēng)險(xiǎn)監(jiān)測(cè)模型,模型的決策過(guò)程分為 3 個(gè)階段,醫(yī)生和患者父母都可以參與決策,包括手術(shù)過(guò)程和術(shù)后護(hù)理記錄以及病歷檔案記錄,所有決策結(jié)果和醫(yī)療記錄都會(huì)幫助患者進(jìn)行實(shí)時(shí)風(fēng)險(xiǎn)監(jiān)測(cè)并輔助作出相應(yīng)的臨床決策。醫(yī)療保健模式的轉(zhuǎn)變促進(jìn)了 CDSS 的發(fā)展和升級(jí),這些系統(tǒng)將與臨床醫(yī)生一起工作而非替代或轉(zhuǎn)換。此外,基于計(jì)算機(jī)的 EHR、互聯(lián)網(wǎng)以及共享的決策流程和現(xiàn)行法規(guī)也有助于完善 CDSS。臨床醫(yī)生也越來(lái)越多地為這些工具開(kāi)發(fā)做出貢獻(xiàn),而不僅僅是參與用戶體驗(yàn)。新技術(shù)包括互聯(lián)網(wǎng)和軟件的聯(lián)合使用,將徹底改變未來(lái)提供決策支持的方式。

2.3   預(yù)測(cè)

近年來(lái),諸如 DL 的技術(shù)正在快速發(fā)展,尤其是 ML 方法更加適用于臨床數(shù)據(jù)結(jié)構(gòu)的預(yù)測(cè)和評(píng)估。ML 可以利用診斷系統(tǒng)比人類(lèi)更快、更準(zhǔn)確地檢測(cè)疾病。Laitinen 等[85]基于回歸和 ANN 的方法通過(guò) CHD 患者術(shù)前氧分壓預(yù)測(cè)耗氧量,但由于 CHD 患者個(gè)體間生物學(xué)變異性大,進(jìn)行建模以預(yù)測(cè)耗氧量較為復(fù)雜,導(dǎo)致不能準(zhǔn)確預(yù)測(cè) CHD 患者的術(shù)前耗氧量。此外,可預(yù)測(cè)紫紺型 CHD 術(shù)后患者的腦容量以評(píng)估手術(shù)對(duì)青少年患者的大腦發(fā)育和長(zhǎng)期功能的影響[86],或是通過(guò)預(yù)測(cè) CHD 手術(shù)后運(yùn)動(dòng)和認(rèn)知結(jié)果對(duì)風(fēng)險(xiǎn)較高的患者盡早實(shí)施干預(yù)[87]。預(yù)測(cè)不僅僅適用于臨床數(shù)據(jù),同樣也可用于基因組數(shù)據(jù)。Bahado-Singh 等[88]報(bào)道了人工智能結(jié)合表觀基因組學(xué)首次用于 CoA 的預(yù)測(cè),并取得了較高的準(zhǔn)確率。利用基于 ML 方法的線性支持向量機(jī)預(yù)測(cè)修復(fù)后法洛四聯(lián)癥患者的心室大小和功能的惡化,從而研究心臟磁共振成像衍生的基線變量預(yù)測(cè)值,并提供識(shí)別有惡化風(fēng)險(xiǎn)患者的模型[89]。ML 方法適合基于現(xiàn)有數(shù)據(jù)做出預(yù)測(cè),但是對(duì)于遙遠(yuǎn)未來(lái)的精確預(yù)測(cè)往往是不可能的。因此,臨床實(shí)現(xiàn)的最終關(guān)鍵一步落在了更為緊要的目標(biāo)上:足夠早地預(yù)測(cè)事件,利用精確、適當(dāng)?shù)母深A(yù)影響醫(yī)療決策與結(jié)局。

2.4   圖像智能識(shí)別和分割

卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)(convolutional neural network system,CNN)對(duì)于圖像識(shí)別有出色優(yōu)勢(shì),它們的容量可以通過(guò)改變深度和寬度來(lái)進(jìn)行控制,并且它們也能對(duì)圖像的性質(zhì)做出強(qiáng)有力且基本正確的假設(shè)[90],所以諸如 DL 之類(lèi)的 ML 技術(shù)迅速發(fā)展。

各種成像方式為 CHD 患者提供診斷信息。心臟磁共振(cardiac magnetic resonance,CMR)和心臟計(jì)算機(jī)斷層掃描血管造影(computed tomography angiography,CTA)以及超聲心動(dòng)圖(ultrasonic cardiogram,UCG)是最常用的工具。Vitanovski[91]提出了一種基于魯棒性 ML 算法的分層框架來(lái)估計(jì)個(gè)性化模型參數(shù)用于自動(dòng)分割胸主動(dòng)脈和主要分支腔脈,主要用于主動(dòng)脈縮窄(coarctation of aorta,CoA)和主動(dòng)脈瓣二瓣葉畸形(bicuspid aortic valve defect,BAVD)的患者,基于個(gè)性化模型的精確測(cè)量有助于選擇最佳治療方案、術(shù)者決策和修復(fù)時(shí)機(jī)。在超聲心動(dòng)圖中,ML 方法已經(jīng)被應(yīng)用于心肌運(yùn)動(dòng)速度評(píng)估[92]、左心室邊界分割[93]、M 型和 B 型超聲心動(dòng)圖中心臟參數(shù)的測(cè)量[94]、自動(dòng)檢測(cè)左心室邊界[95]、自動(dòng)識(shí)別超聲心動(dòng)圖視圖[96]以及室壁異常運(yùn)動(dòng)的量化[97-98]等方面。右心室分割是一個(gè)不易解決的問(wèn)題,與左心室相比,右心室的分割存在許多困難,例如復(fù)雜的新月形結(jié)構(gòu)、小梁化心肌的存在和相對(duì)較薄的心室壁。受到 CNN 強(qiáng)大的圖像處理能力的啟發(fā)[99],研究人員提出了基于 CNN 的右心室分割方法。Luo 等[100]提出一種利用深度 CNN 解決 CMR 中右心室分割問(wèn)題的新方法,基于興趣區(qū)域定位進(jìn)行右心室心肌分割,該方法在一定程度上提高了分割精度和計(jì)算效率。Tran 等[101]提出了一種基于完全 CNN 用于短軸 CMR 心臟分割的方法,可以同時(shí)處理左心室和右心室的分割問(wèn)題。還可使用擴(kuò)展 CNN 自動(dòng)分割 CHD 心血管 MR 圖像,該方法能夠準(zhǔn)確地分割心肌和血池而無(wú)需任何專(zhuān)業(yè)人員的干預(yù)[102]。許多心臟測(cè)量工具可以實(shí)現(xiàn)心室劃分和自動(dòng)分割的模式,并且它們已經(jīng)提高了診斷質(zhì)量,用于復(fù)雜 CHD 患者的潛在診斷和長(zhǎng)期隨訪檢查工作[103]。在心臟醫(yī)學(xué)圖像方面進(jìn)行智能識(shí)別和分割分析的基礎(chǔ)上,目前已經(jīng)實(shí)現(xiàn)心臟三維結(jié)構(gòu)的 VR 和增強(qiáng)現(xiàn)實(shí)用于 CHD 復(fù)雜手術(shù)的規(guī)劃指導(dǎo)和導(dǎo)航功能[104-105]。VR 部分的主要應(yīng)用是 VR 系統(tǒng),增強(qiáng)現(xiàn)實(shí)部分的主要應(yīng)用是 3D 打?。ㄓ纸性霾闹圃欤?,二者的結(jié)合應(yīng)用稱(chēng)為混合現(xiàn)實(shí)(mixed reality,MR)技術(shù)。這兩個(gè)部分都非 AI 領(lǐng)域的發(fā)展學(xué)科,但借助于 CV 技術(shù)的強(qiáng)大功能可以具現(xiàn)出臨床醫(yī)生需要的虛擬或?qū)嶓w三維心臟解剖模型,對(duì)于先天性心臟病學(xué)具有重要意義。無(wú)論是 VR 系統(tǒng)或是 3D 打印,都需要心臟 CTA、超聲心動(dòng)圖或 CMR 的圖像經(jīng)過(guò)分割和重建才能具現(xiàn)出一個(gè)三維立體數(shù)字可視化模型,用于不同的途徑(圖 4)。此技術(shù)作為心臟三維結(jié)構(gòu)模型的基礎(chǔ),借助深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的強(qiáng)大功能可以實(shí)現(xiàn)自動(dòng)化心臟圖像分析[106-110],從而實(shí)現(xiàn) CHD 不同病種的自動(dòng)化診斷功能。

84131584663691186  

圖4 心臟醫(yī)學(xué)影像的三維建模用于 VR 系統(tǒng)或 3D 打印的簡(jiǎn)化示意圖

a~d:心臟 CTA 或 CMR 及超聲心動(dòng)圖的影像數(shù)據(jù)收集后,利用建模軟件的智能圖像識(shí)別和分割功能生成三維立體數(shù)字化模型;e:使用 VR 系統(tǒng)讀取生成后的心臟圖像建模數(shù)據(jù),頭戴顯示器與主機(jī)連接,通過(guò)空間定位器進(jìn)行感應(yīng),利用控制手柄操控虛擬空間中的三維模型;f:VR 系統(tǒng)操作下演示 1 例冠狀動(dòng)脈瘺病例的手術(shù)部位標(biāo)記;g:3D 打印機(jī)和心臟三維模具打??;h:心臟 3D 打印模具效果演示;VR:虛擬現(xiàn)實(shí);CTA:計(jì)算機(jī)斷層掃描血管造影;CMR:心臟磁共振

在臨床影像數(shù)據(jù)量足夠的前提下,ML 可以通過(guò)調(diào)整訓(xùn)練集和測(cè)試集的比例以學(xué)習(xí)并識(shí)別醫(yī)學(xué)圖像,對(duì)于復(fù)雜性和變異性高的疑難病例,圖像分割技術(shù)可以幫助機(jī)器做出判斷,優(yōu)化機(jī)器在識(shí)別過(guò)程中的質(zhì)量和速度,從而達(dá)到專(zhuān)業(yè)人員的判讀標(biāo)準(zhǔn)。圖像智能識(shí)別技術(shù)可以幫助影像從業(yè)人員快速閱讀醫(yī)學(xué)圖像的結(jié)果,并作出正確的判讀決定,同時(shí)減少?gòu)臉I(yè)人員的工作強(qiáng)度以服務(wù)于更多的患者。不同學(xué)科領(lǐng)域應(yīng)用 AI 的效果和途徑都有所不同,在醫(yī)學(xué)方面應(yīng)用 AI 比較成功的肺癌領(lǐng)域,醫(yī)學(xué)成像和 AI 有望通過(guò)區(qū)分良性結(jié)節(jié)和惡性結(jié)節(jié),在提高肺癌的早期發(fā)現(xiàn)和定性方面發(fā)揮重要作用,可以很好地改善大部分患者的預(yù)后,以降低肺癌死亡率[111]。根據(jù)研究結(jié)果顯示,使用深度 CNN 在低劑量下胸部 CT 掃描發(fā)現(xiàn)惡性肺結(jié)節(jié)的模型曲線下面積(area under curve,AUC)高達(dá) 94.4%,在沒(méi)有 CT 的條件下,模型的表現(xiàn)優(yōu)于放射科醫(yī)師;而在擁有 CT 的條件下,模型的性能可與放射科醫(yī)師相當(dāng)[112]。究其原因在于肺癌的篩查基本手段是使用低劑量胸部 CT 進(jìn)行掃描檢查,可以有效降低肺癌死亡率[113-114],并且因?yàn)榈蛣┝康木壒蕦?duì)人體產(chǎn)生的輻射危害較小且陽(yáng)性篩查率高,目前已經(jīng)取代胸部 X 線片檢查手段。而心臟 CTA 需要使用血管造影劑才能清晰顯現(xiàn)出各個(gè)部分的心臟組織,因?yàn)?CHD 多發(fā)于兒童,需要對(duì)造影劑的劑量控制得更加精確并在最大程度上減少輻射對(duì)患兒的危害。AI 在肺癌方面的成功應(yīng)用值得我們借鑒學(xué)習(xí),CHD 的醫(yī)工結(jié)合之路任重而道遠(yuǎn)。

  總結(jié)

正在進(jìn)行的 AI 技術(shù)革命為 CHD 領(lǐng)域提供了一個(gè)積極的引導(dǎo)趨勢(shì),我們希望 AI,包括但不限于 ML 以及 DL,可以對(duì)醫(yī)學(xué)領(lǐng)域的各個(gè)學(xué)科產(chǎn)生積極深遠(yuǎn)的影響。但為了做到這一點(diǎn),需要盡快彌補(bǔ) AI 虛擬世界與臨床醫(yī)學(xué)現(xiàn)實(shí)之間的差距,AI 技術(shù)應(yīng)用如此廣泛,與醫(yī)療領(lǐng)域相互交叉形成多門(mén)學(xué)科,二者相互學(xué)習(xí),但醫(yī)學(xué)的復(fù)雜性和倫理限制需要更多的發(fā)展空間去迎合和接受 AI 技術(shù)的改造,我們應(yīng)當(dāng)抱以合理的期望和嚴(yán)謹(jǐn)?shù)膽B(tài)度。未來(lái)的智能軟件將占據(jù)更加主要的地位,比如更加真實(shí)且易于操作的多維 VR 技術(shù),方便臨床醫(yī)師理解和使用,同時(shí)以科學(xué)合理的方式重復(fù)多次使用神經(jīng)網(wǎng)絡(luò)來(lái)更快更高效地做出決策,并減少相關(guān)學(xué)科操作人員的工作,使他們能夠?qū)W⒂谧约旱暮诵母?jìng)爭(zhēng)力,可以將更多的時(shí)間用于照顧患者。使用 AI 的目的并非替代臨床工作人員,二者應(yīng)該通過(guò)相互學(xué)習(xí)從而促進(jìn)雙方共同進(jìn)步,通過(guò)深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)和 AI 相結(jié)合的強(qiáng)大推理能力用以改善 CDSS 的可靠性和穩(wěn)定性。AI 正在醫(yī)學(xué)領(lǐng)域創(chuàng)造一個(gè)從基礎(chǔ)研究到臨床應(yīng)用的轉(zhuǎn)變,但仍有一些技術(shù)挑戰(zhàn)有待解決,需要謹(jǐn)慎對(duì)待。數(shù)據(jù)安全和對(duì)抗性攻擊等漏洞對(duì) AI 技術(shù)的應(yīng)用構(gòu)成了潛在的威脅,在這些漏洞中,惡意操縱輸入可能會(huì)導(dǎo)致完全的誤診,從而被用于謀取欺詐性利益等不正當(dāng)行為[115]。在強(qiáng)調(diào)人機(jī)交互和用戶反饋的同時(shí),也要注重加入關(guān)鍵技術(shù)以保護(hù)用戶和患者的隱私安全。為了并行 AI 與先天性心臟病學(xué)專(zhuān)業(yè)的發(fā)展進(jìn)程,完善醫(yī)療行業(yè)的 AI 相關(guān)倫理法規(guī)和市場(chǎng)安全監(jiān)管是非常必要的。不同于 AI 在肺癌方面的成功應(yīng)用以及廣泛普及,CHD 各個(gè)病種分型數(shù)目可達(dá)上百種之多,不同中心對(duì)于不同病種的手術(shù)策略也各有異同。我們應(yīng)該專(zhuān)注于自身的專(zhuān)業(yè)特性,未來(lái)的 CHD 方向應(yīng)該是以醫(yī)工結(jié)合的方式快速發(fā)展,通過(guò)各種智能識(shí)別診斷模型建立起 CHD 多中心區(qū)域化防治防控網(wǎng)絡(luò)以降低發(fā)病率,使用 CNN 智能圖像處理和分析技術(shù)實(shí)現(xiàn)自動(dòng)化重建心臟三維可視化模型,輔助心臟外科醫(yī)師制定個(gè)性化手術(shù)治療方案和術(shù)前病情討論及規(guī)劃,同時(shí)利用各種術(shù)前術(shù)后的臨床大樣本數(shù)據(jù)輔助醫(yī)師做出臨床決策并結(jié)合患者的當(dāng)前病情做出風(fēng)險(xiǎn)預(yù)估評(píng)測(cè)。AI 在先天性心臟病學(xué)領(lǐng)域具有強(qiáng)大的臨床診療價(jià)值和應(yīng)用潛力。

利益沖突:無(wú)。

參考文獻(xiàn)略。

(本文封面圖片來(lái)自網(wǎng)絡(luò),如侵刪)

本文由“健康號(hào)”用戶上傳、授權(quán)發(fā)布,以上內(nèi)容(含文字、圖片、視頻)不代表健康界立場(chǎng)?!敖】堤?hào)”系信息發(fā)布平臺(tái),僅提供信息存儲(chǔ)服務(wù),如有轉(zhuǎn)載、侵權(quán)等任何問(wèn)題,請(qǐng)聯(lián)系健康界(jkh@hmkx.cn)處理。

相關(guān)知識(shí)

人工智能在睡眠醫(yī)學(xué)中的應(yīng)用
人工智能和機(jī)器學(xué)習(xí)在健康行業(yè)中的應(yīng)用
人工智能在醫(yī)療健康領(lǐng)域中的應(yīng)用
先天性心臟病飲食
人工智能在舞蹈康復(fù)療法中的應(yīng)用
人工智能在減肥中的潛力與應(yīng)用
智能心臟健監(jiān)測(cè):基于人工智能的心率檢測(cè)系統(tǒng)
人工智能在老年醫(yī)療中的應(yīng)用探索.pptx
胎兒先天性心臟病能順產(chǎn)嗎
先天性心臟病的飲食

網(wǎng)址: 人工智能在先天性心臟病學(xué)中的應(yīng)用 http://m.u1s5d6.cn/newsview681170.html

推薦資訊